A foundation model for electrodermal activity data

Motivation

• Known: PPG, ECG, EEG 등 다른 생리 신호에 대해서는 여러 foundation model이 제안되어 왔으며, wearable 기기로 수집한 대규모 proprietary 데이터셋을 활용한 연구도 존재한다.
• Gap: EDA 신호는 대규모, 정제되고, 공개적으로 접근 가능한 데이터셋이 부재하여 foundation model 개발이 지연되어 왔으며, 유일한 대규모 EDA 아카이브는 proprietary(Fitbit Sense 2 기반)로 공개되지 않아 연구 발전을 저해한다.
• Why: EDA는 교감신경계 활동을 반영하여 인지 부하, 스트레스, 참여도 추정에 널리 활용되는 신호이므로, 이를 위한 open-source foundation model은 개인 정보학(personal informatics) 및 유비쿼터스 센싱 연구 전반에 중요한 인프라를 제공할 수 있다.
• Approach: 24개 공개 EDA 데이터셋을 통합·전처리하여 EDAMAME 아카이브를 구축하고, EfficientNet 백본과 InfoNCE 기반 contrastive learning을 사용해 약 2억 7,500만 개의 60초 윈도우로 UME를 사전학습한 뒤 linear probing으로 다운스트림 과제에서 평가하였다.

Achievement

Figure 2. Pairplot with comparison in downstream tasks when

1. EDAMAME 데이터셋 구축: 24개 공개 EDA 데이터셋을 통합해 25,000시간 이상, 634명 사용자 규모의 대규모 EDA 아카이브를 만들고 공개 예정임.
2. UME 모델 제안: EDA 전용 최초의 foundation model을 self-supervised contrastive learning으로 학습, 오픈소스로 공개함.
3. 성능 검증: 10개 시나리오 중 8개에서 baseline 대비 우수한 성능을 보였고, generalist time-series foundation model(Mantis, Chronos 등)과 비슷한 성능을 20배 적은 연산 자원으로 달성함.
4. 한계 규명: EDA 모델링의 본질적 어려움(균형 정확도가 0.7을 넘기 어렵고 변동성이 큼)을 실증적으로 제시하여 후속 연구 방향을 제안함.

How

Figure 1. Overview of the train and downstream evaluation process we used for the UME foundation model. For reference, w

• EDAMAME 데이터셋을 EDAMAME-train(17개 데이터셋)과 EDAMAME-test(7개 데이터셋)로 분리하여 unseen dataset에 대한 평가가 가능하도록 구성
• EDA 신호를 저역통과 필터(0.4Hz cutoff) 후 cvxEDA로 phasic/tonic 성분으로 분해하여 원신호와 함께 3-channel 입력으로 사용
• 60초 윈도우(4Hz 샘플링, 학습 시 0.25s overlap, 평가 시 non-overlapping)로 세그먼트화하여 약 2억 7,500만 개 학습 윈도우 확보
• EfficientNet 기반 backbone에 Matton et al.(2023)의 EDA 특화 data augmentation을 적용해 positive pair 생성 후 InfoNCE loss로 contrastive learning 수행
• 학습된 encoder의 표현을 고정(frozen)한 채 logistic regression을 이용한 linear probing으로 스트레스/이완 등 다운스트림 과제 평가

Originality

• EDA 신호만을 위한 최초의 dedicated foundation model(UME) 제안
• 기존에 proprietary 데이터에 의존하던 생리신호 foundation model 연구와 달리, 24개 공개 데이터셋을 통합한 대규모 오픈 아카이브(EDAMAME)를 새롭게 구축 및 공개
• phasic/tonic 분해를 활용한 3-channel EDA 표현과 EDA 특화 augmentation을 결합한 contrastive learning 파이프라인 설계
• 20배 적은 연산 자원으로 generalist time-series foundation model과 동등한 성능을 달성함으로써 도메인 특화 소형 모델의 효율성을 입증

Limitation & Further Study

• 균형 정확도가 0.7을 넘기 어렵고 태스크 간 변동성이 커 EDA 신호 자체의 신호 대 잡음비 및 개인차 문제가 근본적으로 해결되지 않음
• 10개 중 2개 시나리오에서는 baseline에 미치지 못해 일반화 성능에 한계가 존재
• Empatica E4 기기로 수집된 데이터에 한정되어 있어 다른 센서/기기로의 일반화 가능성은 검증되지 않음
• 향후 연구에서는 멀티모달 결합, 더 큰 규모의 데이터 및 모델, EDA 고유의 노이즈·아티팩트 처리 기법 개선이 필요함

Evaluation

총평: EDA 분야 최초의 공개 foundation model과 대규모 통합 데이터셋을 제시한 의미 있는 연구로, 데이터 부재 문제를 실질적으로 해결하고 효율적인 모델을 제안했으나 EDA 신호 자체의 근본적 한계는 여전히 남아있다.