Core Concepts
웨어러블 기기의 객관적 데이터와 자기 보고 일기 데이터를 통합하여 1주일 앞서 긍정적 및 부정적 감정 상태를 예측할 수 있는 다중 모달 딥러닝 모델을 제안한다.
Abstract
이 연구는 대학생들을 대상으로 1년 동안 종단 연구를 수행하여 생리학적, 환경적, 수면, 대사, 신체 활동 등의 객관적 데이터와 참여자가 작성한 일기 데이터를 수집하였다. 이를 바탕으로 트랜스포머 인코더와 사전 학습된 언어 모델인 DistilBERT를 활용한 다중 모달 딥러닝 모델을 개발하였다.
모델 학습 과정에서는 DistilBERT를 먼저 감정 예측 과제에 맞게 fine-tuning하고, 이후 전체 모델을 통합적으로 학습하는 2단계 접근법을 사용하였다. 이를 통해 객관적 데이터와 자기 보고 일기 데이터가 균형 있게 학습될 수 있도록 하였다.
실험 결과, 제안한 모델은 1주일 앞서 긍정적 감정 상태를 82.50%, 부정적 감정 상태를 82.76% 정확도로 예측할 수 있었다. 또한 개인화된 모델이 일반화된 모델보다 더 높은 성능을 보였다.
모델 해석 측면에서는 SHAP 값 분석을 통해 수면 관련 지표, 신체 활동, 식이 정보 등이 감정 예측에 중요한 역할을 하는 것을 확인하였다. 또한 DistilBERT의 주의 집중 점수 분석을 통해 감정 관련 단어와 일상 활동 관련 단어가 감정 예측에 중요한 것으로 나타났다.
Stats
수면 시간이 길수록 긍정적 감정 상태와 관련이 있고, 수면 시간이 짧을수록 부정적 감정 상태와 관련이 있다.
일기 작성 빈도가 높을수록 긍정적 감정 상태와 관련이 있고, 낮을수록 부정적 감정 상태와 관련이 있다.
신체 활동량, 칼로리 소모량 등의 지표가 부정적 감정 상태 예측에 중요한 역할을 한다.
Quotes
"수면 부족은 긍정적 감정 체계에 강한 영향을 미친다."
"부정적 단어가 긍정적 단어보다 강도가 더 크다."
"일기 작성이 기분 변화와 관련이 있으며, 우울증 수준을 낮추는 데 도움이 될 수 있다."