呼伦贝尔市网站建设_网站建设公司_Ruby_seo优化

目录

1. 引言

2. 方法

2.1 数据采集与实验设计

2.2 信号预处理原理与算法

2.2.1 PPG信号预处理

2.2.2 EDA信号预处理

2.3 特征提取算法

2.3.1 PPG特征提取

2.3.2 EDA特征提取

2.4 统计分析

3. 结果

3.1 PPG信号预处理

3.2 EDA信号预处理

3.3 心率检测结果

3.4 试次水平特征提取

3.5 统计结果

4 结论

参考文献

摘要：本研究开发了一套完整的生理信号处理分析流程，针对光电容积脉搏波（PPG）和皮肤电活动（EDA）信号，实现了从原始信号读取、多阶段预处理、特征提取到统计分析的全流程自动化。实验基于被试者的情绪诱发实验数据，通过高通滤波、带通滤波、陷波滤波等信号处理技术有效去除噪声，结合峰值检测算法实现心率（HR）、皮肤电导水平（SCL）、皮肤电导反应（SCR）等生理特征提取，并采用方差分析（ANOVA）和线性混合效应模型分析不同情绪条件下的生理响应差异。

关键词：生理信号处理；PPG；EDA；情绪分析；信号滤波；峰值检测

1. 引言

生理信号分析在情绪认知研究中具有重要意义，其中PPG和EDA信号分别反映了心血管系统和交感神经系统的活动状态。然而，原始生理信号通常包含多种噪声干扰，需要进行专业的预处理才能提取有效特征。本研究旨在构建一套自动化、标准化的生理信号处理流程，为情绪刺激实验中的生理数据分析提供方法学基础。

2. 方法

2.1 数据采集与实验设计

实验使用BIOPAC生理记录系统采集数据，采样率为2000 Hz。实验采用事件相关设计，每个试次包含基线期（5秒）、图片呈现期（4秒，情绪图片刺激）和文本呈现期（7秒，情感文本刺激）。通过事件标记通道（CH28）同步实验事件与生理信号。

2.2 信号预处理原理与算法

2.2.1 PPG信号预处理

PPG信号预处理包含三个关键步骤，其数学原理如下：

（1）基线漂移去除：采用二阶Butterworth高通滤波器，截止频率0.1Hz。

其中，。

（2）带通滤波：保留0.5-5Hz频段，对应心率范围30-300 BPM。

其中，。

（3）工频干扰去除：50Hz陷波滤波器，品质因数Q=30。

其中，。

2.2.2 EDA信号预处理

EDA信号预处理针对其特有噪声模式设计：

（1）基线漂移去除：0.01Hz高通滤波。

（2）高频噪声去除：3Hz低通滤波，采用四阶Butterworth滤波器。

其中，。

（3）平滑处理：Savitzky-Golay滤波器，窗口长度0.5s，多项式阶数2。

其中，为最小二乘拟合系数。

2.3 特征提取算法

2.3.1 PPG特征提取

（1）心率计算：基于R波检测的峰峰间隔。

其中，为第i个波峰的时间点。

（2）心率变异性指标

• SDNN：RR间期标准差。

• RMSSD：相邻RR间期差值的均方根。

2.3.2 EDA特征提取

（1）皮肤电导水平（SCL）：

（2）皮肤电导反应（SCR）计数：

其中，为第i个SCR的幅度，为检测阈值。

2.4 统计分析

采用重复测量方差分析（ANOVA）检验不同条件下的生理反应：

其中，为被试效应，为条件效应，。

3. 结果

3.1 PPG信号预处理

图1展示了PPG信号的预处理效果。原始信号中存在明显的基线漂移（蓝色曲线），经过0.1Hz高通滤波后，基线漂移被有效去除（红色曲线）。带通滤波（0.5-5Hz）进一步提取了心搏相关成分（绿色曲线），最终处理后的信号（橙色曲线）呈现出清晰的波形特征。

频谱分析显示，预处理后PPG信号在0.5-5Hz频段的功率谱密度显著增强，而低频漂移和工频干扰得到有效抑制。预处理使PPG信号的信噪比改善了18.84 dB。

图1：PPG信号预处理步骤

3.2 EDA信号预处理

图2展示了EDA信号的预处理过程。原始EDA信号（蓝色曲线）包含缓慢变化的基线成分和快速波动的噪声。0.01Hz高通滤波有效去除了基线漂移（红色曲线），3Hz低通滤波平滑了高频噪声（绿色曲线），Savitzky-Golay滤波进一步改善了信号质量（橙色曲线）。

频谱分析表明，预处理后的EDA信号在0-1Hz频段（SCL相关）和0.1-0.3Hz频段（SCR相关）的功率谱密度得到保留，而高频噪声被有效滤除。

图2：EDA信号预处理步骤

3.3 心率检测结果

图3展示了PPG信号的波峰波谷检测结果。鲁棒检测算法成功识别了2481个波峰和2474个波谷，平均心率为67.6 BPM，RR间期为888.0 ± 81.4 ms。算法采用自适应阈值策略，结合基于百分位数、标准差和中位数的多种阈值计算方法，提高了检测的鲁棒性。

图3：PPG信号的波峰波谷检测

图4的心率变异性分析显示，RR间期序列存在正常的生理性波动，Poincaré图呈现典型的彗星状分布，表明心率变异性模式符合健康个体的特征。

图4：心率变异性分析

3.4 试次水平特征提取

研究成功提取了60个试次的生理特征，包括：

• 图片期特征：心率变化量、SCL变化量、SCR计数

• 文本期特征：相应指标

表1：展示了trial-level特征统计摘要

试次特征分布按情绪条件分组的箱线图，直观展示各条件下的生理特征分布。

图4：试次水平特征提取

由上图可知，试次特征分布图展示不同情绪条件下的生理响应分布。时间序列图呈现试次顺序对生理响应的影响。特征统计表明，各指标在不同试次间存在合理的变异范围，反映了生理反应的个体差异性和时间动态性。

3.5 统计结果

描述性统计显示，不同情绪条件下的生理反应存在数值差异，但未达到统计学显著性水平：

表2：不同情绪条件下的生理反应指标

下图展示了情绪效应分析均值 ± 标准误的条形图和情绪条件分组的心率变化趋势图，清晰对比不同情绪条件的生理响应，展示试次间的动态变化。

图5：不同情绪条件下心率与SCL变化情况

图4：统计结果可视化

心率变化量ANOVA：

• F(2,57) = 0.238, p = 0.789, η² = 0.008

• 事后检验（Tukey HSD）：无显著组间差异

SCL变化量ANOVA：

• F(2,57) = 0.216, p = 0.806, η² = 0.007

• 效应量极小，无统计显著性

方差分析结果显示，情绪条件对心率变化（F(2,57)=0.238, p=0.789）和SCL变化（F(2,57)=0.216, p=0.806）均无显著主效应。

4 结论

本研究开发了一套完整的生理信号处理分析流程，成功实现了PPG和EDA信号从原始数据读取、多阶段预处理（包括基线漂移去除、带通滤波和工频干扰消除）、鲁棒特征提取（算法量化了被试心血管系统和交感神经系统活动状态）到系统化统计分析的全流程自动化。结果显示，信号预处理显著提升了数据质量（PPG信噪比改善18.84 dB），自适应峰值检测算法准确识别了2481个波峰（平均心率67.6 BPM），并从60个试次中提取了心率变异性、皮肤电导水平等多维生理指标。建立的标准方法学框架为情绪生理研究提供了可靠的技术基础，具备良好的通用性和可扩展性。

参考文献

[1] Allen, John. "Photoplethysmography and its application in clinical physiological measurement."Physiological measurement28.3 (2007): R1.

[2] Boucsein, Wolfram. "Electrodermal activity: Springer science & business media."Broek, EL vd, Schut, MH, Westerink, JHDM, Herk, J. v., & Tuinenbreijer, K(2012).

[3] Pan, Jiapu, and Willis J. Tompkins. "A real-time QRS detection algorithm."IEEE transactions on biomedical engineering3 (2007): 230-236.

[4] Shaffer, Fred, and Jay P. Ginsberg. "An overview of heart rate variability metrics and norms."Frontiers in public health5 (2017): 258.

Tips：下一讲，我们将进一步探讨，PPG信号处理与应用的其他部分。

以上就是基于 PPG 和 EDA 的情绪刺激响应分析研究的全部内容啦~

我们下期再见，拜拜(⭐v⭐) ~

（Ps：有代码实现需求，请见下列【微信名片】或【主页信息】，谢谢支持！~）