EDA皮电信号采集与分析技术综述

皮肤电活动（Electrodermal Activity，EDA）是指皮肤表面电阻或电导的变化，它反映了交感神经系统的活动。EDA的测量与分析在心理学、生理学和临床研究中具有重要意义。

本文将全面介绍EDA皮肤电信号的测量与分析方法，旨在为相关研究提供参考。

1 EDA的基本概念

EDA反映了交感神经系统的活动，是研究心理状态、情绪反应和应激水平的重要指标。而交感神经的活动与情绪、认知和注意有关，因此，在焦虑、高生理唤醒或高认知负荷等情况下，交感神经活动会加剧并改变EDA峰值。这种生理测量可以更具体、更细致地了解生理过程的唤醒模式。

两种EDA：皮肤电阻（Skin Resistance，SR）和皮肤电导（Skin Conductance，SC）。

在实际应用中，SC更为常用，因为它与汗腺活动呈正相关关系，便于量化分析。

1.皮肤电阻（SR）：皮肤的电阻值，表示电流通过皮肤时的阻力。电阻越大，表示皮肤的导电性越差。

2.皮肤电导（SC）：皮肤的电导值，是皮肤电阻的倒数，表示皮肤对电流的传导能力。电导越高，表示皮肤的导电性越好。SC通常以微西门子（μS）为单位。

2 EDA的测量方法

2.1 测量原理

皮肤电活动的测量基于皮肤电阻和电导的变化。

皮肤的电特性变化主要由汗腺的活动引起，当交感神经系统活跃时，汗腺分泌增加，皮肤电导上升，皮肤电阻下降。

通过在皮肤表面放置电极，并施加恒定电压或电流，测量皮肤两端的电压和电流变化，可以计算出皮肤的电导或电阻。测量的基本原理遵循欧姆定律（V = I × R 和 G = 1/R）。

2.2 测量设备

设备名称	简介	特点	适用范围
PPB-Bio多通道生理信号采集分析系统	模块化生理信号采集系统，支持EDA、ECG、EMG等多种信号的测量。	模块化设计，可扩展性强，提供实时数据传输和全面的数据分析平台。	多模态生理信号研究、教学实验、心理生理学研究。
EmbracePlus	高级可穿戴设备，监测EDA、心率、体温、运动等多种生理参数。	高精度传感器，实时数据传输，提供全面数据分析和API接口。	临床研究、情绪监测、长期健康监测。
TRAIN RED	可穿戴生理信号采集设备，专注于实时监测皮肤电导、心率和体温。	高精度传感器，蓝牙连接，适合运动和健康监测，提供直观的用户界面。	运动科学研究、健康监测、心理研究。
Shimmer3 GSR+ Unit	便携式生理信号采集设备，用于测量皮肤电导和皮肤温度。	无线数据传输，内置温度传感器，配套软件支持数据采集和基本分析。	心理学实验、用户体验研究、情绪分析。
iMotions Biometric Research Platform	一体化生物信号采集和分析平台，集成皮肤电导、眼动追踪、面部表情分析等。	多模态数据同步采集和分析，友好用户界面，提供全面的实验设计和数据分析工具。	用户体验研究、情绪分析、心理实验。

2.3 测量方法

1）测量部位：常见的测量部位包括手掌、手指和脚掌。这些部位汗腺密度较高，能够提供更为明显的电活动信号。此外，其他可能的测量部位还包括前额、上臂内侧、前臂内侧、腹部、胸部和背部。

2）电极放置：将电极固定在测量部位，确保电极与皮肤良好接触，减少伪迹和噪音的影响。使用导电凝胶可以提高电极的导电性和信号质量。

3）信号采集：使用恒定电压法或恒定电流法进行信号采集，通过放大器放大信号，并通过数据采集系统记录和存储信号数据。

2.4 测量信号

测量的皮肤电信号主要包括：

1）皮肤电导水平（Skin Conductance Level, SCL）：反映皮肤电导的基线水平，表示在一段时间内的平均皮肤电导值。SCL用于评估个体的整体生理激活状态。

2）皮肤电导反应（Skin Conductance Response, SCR）：反映皮肤电导的瞬时变化，通常是对特定事件或刺激的反应。SCR的幅度和频率是常用的特征指标，用于评估个体对刺激的反应强度和频率。

还有些与皮肤电活动（Electrodermal Activity，EDA）相关的概念，主要用于描述皮肤电信号的不同方面和特征。为了清晰地理解这些术语，下面将分别进行解释：

名称	解释	意义	备注
皮肤电导（Skin Conductance，SC）	皮肤的电导值，表示皮肤对电流的传导能力。SC越高，表示皮肤的导电性越好。通常以微西门子（μS）为单位。	SC与汗腺活动呈正相关，是交感神经系统活动的指标
原发性皮肤反应（Galvanic Skin Response，GSR）	皮肤电导或电阻的变化，是由交感神经系统引起的汗腺活动变化所致。	GSR常用于指代皮肤电活动，特别是指由情绪或应激引起的皮肤电导变化。	GSR和EDA在实际使用中常互换使用，但GSR更强调的是原发性（直接由情绪或应激引起的）皮肤电反应。
皮肤电反应（Electrodermal Response，EDR）	皮肤电导的瞬时变化，是对特定刺激或事件的反应。	EDR主要用于描述皮肤对某一特定刺激的电反应。
交感神经皮肤反应（Sympathetic Skin Response，SSR）	由交感神经系统引起的皮肤电活动变化。	SSR强调的是交感神经系统对皮肤电活动的影响，通常用于神经生理学研究中。

EDA与GSR的区别

1）皮肤电活动（Electrodermal Activity，EDA）：

定义：总的来说，EDA表示皮肤的电活动，包括所有的皮肤电导和电阻变化。

应用：广泛用于描述皮肤电活动的整体概念。

2）原发性皮肤电反应（Galvanic Skin Response，GSR）：

定义：更强调由情绪或应激直接引起的皮肤电导变化。

应用：常用于指代具体的皮肤电反应，特别是在应激和情绪研究中。

尽管EDA和GSR在实际使用中常常互换，但严格来说，EDA是一个更广泛的术语，涵盖所有皮肤电活动，而GSR更具体，通常指由情绪或应激直接引起的皮肤电导变化。在研究文献和应用中，这两个术语的使用没有明确区分，取决于研究者的偏好和研究背景。

2.5 注意事项

1）环境控制：测量应在恒定温度、湿度的环境中进行，避免外界噪音和干扰，以免影响被试的情绪和生理状态。

2）电极固定：确保电极与皮肤的良好接触，使用导电凝胶可以提高信号质量。3）被试舒适度：长时间测量时需要考虑被试的舒适度，避免选择容易疲劳或不适的部位。

4）避免伪迹：在测量过程中，要求被试尽量保持静止，避免运动等非生理因素引起的伪迹。

3 EDA信号处理与分析

1.信号预处理

EDA信号通常包含噪音和伪迹，因此在分析前需要进行预处理。

常见的预处理方法包括：

1）滤波：采用低通滤波器去除高频噪音。

2）基线校正：消除信号中的漂移现象，确保信号的稳定性。

3）伪迹去除：识别并剔除由于运动等非生理因素引起的异常信号。

如何判断数据质量

理想数据：较细的线条（无太多噪音），有明显的起伏，明显的上升。

而质量差的数据分为以下几种：
① 高频噪声：线条较粗，但总体起伏还是比较明显

通常由电干扰影响：连结记录仪的导线是否有跟其他电线相交或者是否靠近其他电器设备、电源的接入是否正常、被试身边是否有电线或者设备。
此问题不是特别影响数据，也可以通过滤波操作过滤此噪声。
② 无信号和低振幅信号

无信号如上图所示，线条特别粗且数值在0左右，有可能是无信号或者低振幅信号，可以用呼吸测试（既让被试深呼吸观察被试皮肤电反应）来区分，若深呼吸后还是无起伏，即为无信号。
无信号可能与设备连接，电极片过期等有关，导致设备不能收集到被试的信号。
有些被试容易出手汗，实验过程中电极片可能会脱落，可以用医用胶布固定电极片防止这类事情发生。

低振幅信号如上图所示，数值在0左右但有些许起伏。这跟个体生理有很大的关系，有些被试的皮电反应较不敏感，在正式实验前需要进行预测和呼吸测试，以排除该类被试。

除此之外，被试的皮肤过于干燥也可能会影响，在实验前避免用带香味或含酒精的洗手液洗手。以及选择正确的电极片（实验用的，没过期的电极片），正确的粘贴位置（指尖、掌心等）。

2.特征提取

EDA信号的分析主要集中在以下几个特征上：

1）皮肤电导水平（SCL）：反映皮肤电导的基线水平，通常用于长期趋势分析。

2）皮肤电导反应（SCR）：反映皮肤电导的瞬时变化，常用于事件相关分析。

3）SCR的频率和幅度：评估交感神经系统的反应强度和频率。

3.数据分析方法

皮肤电反应（EDA）信号具有多种特征提取和分析方法，涵盖了时域特征、频域特征、时频特征（小波变换）以及梅尔频率倒谱特征（MFCC）的应用。以下是详细解释：

1）时域特征

• 信号统计参数：包括均值、标准偏差、峰度和偏度。这些参数用于描述EDA信号的总体分布和形态。
• 事件相关特征：特定刺激（如图像、声音）呈现后几秒钟内的EDA特征。例如：
• SCR是否存在：在设定阈值后忽略未达到阈值的微小变化，传统SCR振幅阈值为0.05微西门子（µS）。
• SCR幅度：皮肤电导反应的变化幅度。
• SCR峰值数：特定时间内皮肤电导反应的峰值数量。
• 平均SCR上升时间：从反应开始到达到峰值所需的时间。
• SCR面积总和：反应曲线下面积的总和。

2）频域特征

• 频域分析的优点：可以更好地检测个体SCR的频率成分。
• 常用方法：
• 快速傅里叶变换（FFT）：将时间域信号转换为频域信号，分析其频谱。
• 短时傅里叶变换（STFT）：将信号分段后进行傅里叶变换，适用于非平稳信号。
• Welch法功率谱密度估计（PSD）：通过分段平均化减少噪音，提高频谱估计的稳定性。
• 频域特征：随频率变化的特征，包括方差、范围、信号幅度面积、偏度、峰度、谐波总和以及频谱功率。

3）时频特征 - 小波变换

• EDA信号的非平稳性：适合用小波进行建模。
• 离散小波变换（DWT）：通过离散采样的小波变换，用于信号去噪和情绪状态分类。
• 平稳小波变换（SWT）：与DWT不同，SWT是重复、线性的，移动不变，提供更好的低频段采样率，适用于EDA信号去噪，效率更高且计算复杂度低。

4）梅尔频率倒谱特征（MFCC）

• EDA信号的复杂性：由快速变化的SCR和缓慢变化的SCL组成，使得信号的分解复杂。
• 催汗神经活动：驱动EDA信号，由一系列催汗神经突发组成，这些突发会触发特定的SCR。
• 倒谱分析（CA）：用于分离叠加的EDA信号，能放大小幅度波动，适用于分析复杂的生理信号。
• 梅尔频率倒谱系数（MFCC）：基于倒谱分析的新型特征，广泛用于语音信号和模式识别问题，尚未广泛应用于EDA信号，但具有潜力。

4 EDA信号分析软件

软件名称	简介	特点	下载链接/获取方式
LibreOffice Calc	一款开源的电子表格软件，可以用来进行基本的数据处理和分析。	适用于数据可视化和简单的统计分析，支持CSV文件格式。	http://www.libreoffice.org/download/download/
Python (Pandas, NumPy, SciPy)	Python编程语言及其科学计算库，可以用来进行EDA信号的复杂数据处理和分析。	开源免费，强大的数据处理和分析功能，支持多种数据格式，广泛应用于数据科学和机器学习。	http://www.python.org/downloads/
R (RStudio)	R语言及其集成开发环境RStudio，提供强大的统计计算和数据分析功能。	开源免费，适合进行统计分析和绘图，支持丰富的包和库进行EDA信号分析。	http://cran.r-project.org/
EEGlab	用于处理和分析脑电图（EEG）数据的MATLAB工具箱，也可以用于EDA信号分析。	提供丰富的信号处理和可视化工具，适合科研用途，部分功能免费。	http://sccn.ucsd.edu/eeglab/index.php
MATLAB Online	MATLAB的在线版本，提供基本的MATLAB功能，适合进行数据分析和可视化。	有免费试用版本，支持基本的MATLAB功能，适合进行信号分析和数据处理。	https://www.mathworks.com/products/matlab-online.html
Octave	GNU Octave是一个开源的数学软件，语法与MATLAB类似，可以用来进行信号分析。	开源免费，兼容MATLAB语法，适合进行各种数据分析和数学计算。	http://www.gnu.org/software/octavedownload.html
Plotly	一个开源的绘图库，可以用来进行交互式数据可视化。	提供Python和R语言接口，支持多种图表类型，适合进行复杂的信号可视化。	http://plotly.com/
Gnuplot	一款开源的图形绘制工具，支持多种图形类型。	适用于创建各种图表，进行数据可视化，支持脚本编写和自动化绘图。	http://www.gnuplot.info/download.html
Processing	开源编程语言和开发环境，适用于创作视觉艺术和交互式应用，也可以用于数据可视化。	适合创作视觉化效果，支持实时数据处理和动态可视化。	http://processing.org/download/

说明

1. LibreOffice Calc 和 Excel（有限制的免费版本）可以用于简单的数据处理和基本的EDA分析。2. Python 和 R 提供了强大的数据处理和分析功能，适用于更复杂的信号分析任务。3. EEGlab 和 MATLAB Online 提供了专业的工具，但免费版本可能有功能限制。4. Octave 提供了与MATLAB类似的功能，是一个开源替代品。5. Plotly 和 Gnuplot 适用于数据可视化，帮助创建图表和进行图形分析。6. Processing 适合创作交互式和动态的视觉效果，用于展示EDA信号的变化。

参考文献

1. Geršak, Gregor. (2020). Electrodermal activity - a beginner's guide. Elektrotehniski Vestnik/Electrotechnical Review. 87. 175-182.

2.Posada-Quintero HF, Chon KH. Innovations in Electrodermal Activity Data Collection and Signal Processing: A Systematic Review. Sensors (Basel). 2020 Jan 15;20(2):479. doi: 10.3390/s20020479. PMID: 31952141; PMCID: PMC7014446.

3.Posada-Quintero HF, Reljin N, Mills C, Mills I, Florian JP, VanHeest JL, et al. (2018) Time-varying analysis of electrodermal activity during exercise. PLoS ONE 13(6): e0198328. https://doi.org/10.1371/journal.pone.0198328

4.Dawson ME, Schell AM, Filion DL. The Electrodermal System. In: Cacioppo JT, Tassinary LG, Berntson GG, eds. Handbook of Psychophysiology. Cambridge Handbooks in Psychology. Cambridge University Press; 2016:217-243.

5.Buchwald, Mikołaj & Kupiński, Szymon & Bykowski, Adam & Marcinkowska, Joanna & Ratajczyk, Dawid & Jukiewicz, Marcin. (2019). Electrodermal activity as a measure of cognitive load: a methodological approach. 175-179. 10.23919/SPA.2019.8936745.

6.S. Subramanian, R. Barbieri and E. N. Brown, "A Systematic Method for Preprocessing and Analyzing Electrodermal Activity," 2019 41st Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), Berlin, Germany, 2019, pp. 6902-6905