Stress detection in everyday life has always been a serious issue as more young adults suffer from different levels of stress. Mobile devices have made it possible to predict in-situ stress in everyday life using smartphone sensor data and smart wearables. In previous studies, researchers usually only leverage the sensor data right before the stress label and only extract features from low-level raw sensor data. In this thesis, we tried to “look back at the long past”, in other words, add long-term trend features. We also first mined routine behavior rules from the raw sensor data and predicted stress using high-level routine behavior features(contextually-filtered features). Our results show that adding long-term trend features and contextually-filtered features didn’t significantly improve the performance. Instead, compared with using current sensor data features right before the stress label, adding immediate past features, such as time-windowed features in a 160-minute time window right before the stress
label, did improve the performance. We leverage Shap(SHapley Additive exPlanations) for feature importance interpretation. The results reveal that aside from other types of emotion labels such as valence and arousal which were also used for stress detection, UV index level and general app usage are the best predictors of stress level.
점점 더 많은 청년들이 다양한 수준의 스트레스에 시달리고 있기 때문에 일상 생활에서 스트레스 감지는 항상 심각한 문제다. 스마트폰과 스마트 웨어러블의 모바일 센서 데이터를 사용하여 일상생활 현장에서 스트레스를 예측할 수 있게 했습니다. 이전 연구에서 일반적으로 스트레스 레이블 바로 앞의 센서 데이터만 활용하고 낮은 수준의 원시 센서 데이터에서만 활용하였다. 본 논문에서는 오랜 과거 데이터를 돌아보는 장기적인 추세 특성을 추가하고자 하였다. 또한, 원시 센서 데이터에서 일상적인 행동 규칙을 마이닝하고 높은 수준의 일상적인 행동을 컨텍스트 필터 기법을 사용하여 특징을 추출하였다. 이러한 새로운 특징을 활용하여 스트레스를 예측한 결과 장기 추세 특징과 컨텍스트 필터된 특징을 추가해도 성능이 크게 향상되지 않았음을 발견하였다. 대신, 스트레스 레이블 직전에 현재 센서 데이터 특징을 사용하는 것과 비교하여 바로 과거 특징, 즉 스트레스 레이블 직전 160분 타임 위도우로부터 추출된 특징이 성능향상에 큰 기여를 하는 것을 발견하였다. 특징 중요도 해석을 위해 SHAP (SHapley Additive exPlanations)를 활용하였고, 스트레스 감지에 중요한 요인은 각성과 같은 유형의 감정 레이블이었으며, 그 외에 UV 지수 수준 및 일반적인 앱 사용이 스트레스 수준을 가장 잘 예측하는 것으로 나타났다.
