皮膚電反應在異常心理評估中的應用初探

方沛如 李曉玉 聶挺 常海鵬 鐘鑫

摘 要：通過理論支持與實驗驗證，探討通過機器學習對皮膚電反應（GSR）信號的處理，能否實現對情緒模式的區分與異常心理的量化評估。最終驗證GSR信號是否具有應用于異常心理檢測的條件。

關鍵詞：異常心理；皮膚電反應；機器學習；異常檢測

中圖分類號：B845.2 文獻標識碼：A 文章編號：2096-4706（2018）03-0186-04

Simple Exploration of Galvanic Skin Response in Abnormal Psychological Assessment

FANG Peiru，LI Xiaoyu，NIE Ting，CHANG Haipeng，ZHONG Xin

（Hefei University of Technology School of Computer and Information，Hefei 230601，China）

Abstract：With theoretical support and experimental verification，it is discussed whether the processing of galvanic skin response（GSR）signals can achieve quantitative assessment of abnormal psychology and distinguish emotional patterns by using machine learning. Finallyverify that the GSR signal has conditions for abnormal psychology evaluation.

Keywords：abnormal psychology；galvanic skin response；machine learning；abnormal detection

1 理論依據

1.1 異常心理

異常心理是針對心理健康的標準而存在的，是一種影響正常現實生活的異樣或病態的心理與行為，是在人與客觀現實關系失調的基礎上產生的對客觀實現的歪曲反應。異常心理使人的行為表現與環境失去同一性。

情緒是一種復雜的身體與心理變化模式，包括生理喚醒、感覺、認知過程及表情手勢等外顯表達以及特殊的行為反應。情緒是對具體事件的特殊反應，具有持續時間短、表現強烈等特點。情緒在生理上表現為自主神經系統（ANS，Autonomic Nervous system）的活動，對于不愉快的刺激，交感系統更加活躍；對于愉快的刺激，副交感系統更加活躍。刺激的強度增大時，會同時導致兩種系統的活動增強。同時，在心理學家的跨文化研究中，生理上的相同情緒在跨文化條件下具有極為相似的情緒模式。

心理狀態在同一刺激與環境下能夠形成與情緒相關的穩定映射，且極端情緒本身會帶來諸如嚴重抑郁癥（major depressive disorder）和雙相障礙（bioplar disorder）等心境障礙（mood disorders）。本文基于以上理論，期望通過識別情緒異常來嘗試對異常心理進行量化評估。

本文對于情緒異常以及心理狀態異常的定義均是在統計學中表現出的情緒數據的異常，尚不能將文內描述的數據異常與現實定義下的異常心理建立相關。

1.2 皮膚電反應

皮膚電反應（GSR，galvanic skin response），是一項情緒生理指標，它代表機體受到刺激時皮膚電傳導的變化。皮膚電反應的原理是，當機體受到外界刺激或情緒狀態發生改變時，自主神經系統的活動就會引起血管的舒張和收縮以及汗腺分泌等變化，從而導致皮膚電阻變化。情緒覺醒水平的變化能夠引起相應的皮膚電反應變化，因此，GSR信號能廣泛地應用于情感計算領域。

皮膚電反應基礎水平與個體特征有關，并且還受到覺醒水平、溫度及活動等三種因素的影響。因此，不同人在不同的時間段，其皮膚電傳導性都會存在差異。

根據西南大學對于皮膚電反應信號在情感狀態識別的研究結果顯示，皮電信號能夠在合適的激發素材的前提下對憤怒、厭惡、恐懼、高興、驚訝及悲傷等六種情緒模式有較好的識別。

同時臨床心理學研究結果表明，不可預測下的中性刺激誘發的皮膚電反應差異可依區分高、低焦慮個體，說明皮膚電反應的差異可以對部分異常狀態進行甄別。

由此，我們推測可以通過采集分析得到憤怒、厭惡、恐懼、高興、驚訝及悲傷等六種情緒的皮電信號模式，尋找與大多數個體數據存在差異的情緒數據，將其定義為異常心理狀態。

1.3 機器學習

機器學習（Machine Learning）是指機器模擬人類的學習行為。它以獲取新的知識或技能來完善自身知識結構的過程，是人工智能的重要分支。

機器學習根據是否有人為標記可以分為有監督學習和無監督學習。無監督學習中的異常檢測適用于正常樣本較多的情況，它不需要預先進行人工標記，對樣本數的需求量也較小，適應于當前需求與樣本數量。但同時也要求我們提取出的特征值盡量滿足概率學上的正態分布，即：

x～（?，σ2）

本文數據處理中的機器學習過程為：通過對情緒相關數據進行歸一化與降噪等預處理，提取出特征值。以特征值擬合數學模型尋找邊緣化的數據，將其定義為某種異常狀態。

2 實驗驗證

2.1 實驗準備

針對憤怒、厭惡、恐懼、高興、驚訝及悲傷這六種基本情緒篩選對應的刺激視頻各兩組，共十二組視頻。為了避免實驗對象因提前觀看過素材而產生偏差，我們舍棄了過于大眾化的視頻素材。預先通過組內測試保證刺激素材具備足夠的情緒激發效果，并初步驗證通過傳感器采集得到的GSR數據可隨情緒變化會出現明顯的數值變化。

皮膚電反應數據采集對象為在校大學生，心智正常，男女不限，出于自愿原則參與數據采集，并提前簽訂數據采集協議。為保證采集對象對于實驗過程及實驗素材具有相似的了解程度，每人只進行一次數據采集。

采集設備為HK2013/2紅外脈搏皮膚電阻采集器，使用USB供電，采用外部電流激勵方式，以200Hz采樣頻率測量人體皮膚電阻變化信號。該傳感器采用了精密運算放大器，輸出高精度皮膚電阻變化數據，皮膚電阻量程為100～2500K歐姆。

2.2 實驗過程

實驗對象與實驗小組達成意向后簽訂數據采集協議，實驗小組為實驗對象提供相似的安靜、安全的環境，以保證實驗對象的情緒受到較少的環境因素干擾。之后按照“實驗介紹—播放刺激視頻一—自我情緒評價—播放平靜視頻—播放刺激視頻二—自我情緒評價……”的循環流程進行實驗數據采集工作。

刺激視頻順序由采集程序隨機產生，在每個刺激視頻前都會播放過渡視頻幫助實驗對象平復前一段視頻帶來的情緒變化，從而減少已播放素材對于后續素材情緒激發的影響。

由于在強烈的情緒產生后，接受刺激過程中自主神經系統促進釋放的激素會殘留在血液中，使得機體會保持一段時間的情緒喚醒，因此我們需要為實驗對象保留無刺激的過渡期，等待機體生理反應恢復基礎水平。平靜期的GSR信號也為后續數據歸一化處理提供了不同實驗對象的皮膚電反應基礎水平，使得我們能夠對實驗過程中GSR信號的變化進行更好的了解。

每段刺激視頻觀看結束后，實驗對象要對該視頻進行主觀的自我情緒評價。實驗對象需要選擇憤怒、厭惡、恐懼、高興、驚訝及悲傷這六種基本情緒及其對應的情緒強度。根據實驗對象的自我評價，驗證了我們情緒激發素材的選取對于各類情緒具有較好的激發效果。

2.3 實驗結果

此輪實驗參與數據采集者共計100人次，其中可用數據95組，用于機器學習訓練集20組，其余留作驗證集與測試集。

在訓練集的20組數據內，12個刺激素材的激發效果如表1所示，由于自我情緒評價是針對六種基本情緒同時打分，根據實驗對象情感狀態以及自我判斷的不同，激發成功表示實驗對象對該視頻的評價中預設情緒的分數大于（包括等于）其他情緒。

在表1中，憤怒情緒多次與厭惡情緒相關聯，考慮到情緒感受同時受到認知體系的影響而存在個體偏差，故而沒有舍棄樣本1。此外，驚訝刺激素材多次有較高的高興評分，由于刺激視頻本身的驚訝評分也很高，綜合考慮兩個驚訝素材后，舍棄樣本9，而保留樣本10。

3 數據處理與分析

本研究所用采集的設備采樣頻率高達200Hz，而GSR信號的有效變化頻率遠小于采樣頻率，因此存在了大量無用的數據冗余。由于觀察發現連續的多個數據經常只存在±1的差值，而個別數據偏差可能是設備干擾導致。因此我們忽略了偏移數據，每三個數據取其平均值替代原有數據用于數據處理，對冗余數據進行了簡單的、幾乎無損的壓縮。

由于GSR信號的特點，不同實驗對象以及不同實驗時間、不同實驗溫度均會對皮膚電反應的基礎水平帶來較大的影響。因此，我們在實驗流程設計時便在每一個刺激視頻前都預留了一個平靜視頻，用于使實驗對象平復刺激素材帶來的特定情緒，并且可以作為當前實驗對象GSR信號基礎水平，用于歸一化。

此外，實驗采集得到的原始數據由于環境等外部干擾以及設備電傳導內部干擾，原始數據本身會較大程度地受到干擾帶來的噪聲影響，因此，還要使用合適的濾波器對原始數據進行降噪處理，以盡可能降低噪聲對數據可靠性的影響。

3.1 歸一化

皮膚電反應基礎水平個體差異較大，不同的人在同一環境下的皮膚電水平差異巨大，同一個人在不同時間、不同環境下也會有不同的基礎水平。當研究不同人的皮膚電水平時，需要去除個體GSR信號的基礎水平差異。此外，皮膚電反應信號用于情緒相關的研究時，需要考慮的實際上是情緒變化引起的皮膚電反應信號的變化值。

因此，可以采用歸一化的手段，將GSR信號的絕對值轉變為相對值，即變化值，從而在保證實驗需求的情況下去除基礎水平差異帶來的數據差異。我們將平靜視頻下的數據視為個體當時的基礎水平，用實驗對象在刺激視頻下的數據減去對應平靜視頻下的數據均值，得到的數據便去除了個體與外界環境帶來的差異，也就是對數據進行了歸一化。

在對不同實驗對象的同一情緒進行歸一化處理時，可以觀察到不同對象的同一情緒變化存在相似的變化曲線與變化范圍，這為我們提供了在同種情緒數據中尋找差異性的基本條件。

3.2 濾波器

采集到的皮膚電信號本身作為生物電信號是非常微弱的，采集設備對其采用了精密運算放大器進行放大，但同時微弱的信號干擾也隨之放大，甚至會淹沒正常信號。

濾波器可以對信號中指定頻段或該頻段以外的頻率進行有效濾除，從而得到指定頻段下的電源信號，或濾除指定頻段后的電源信號。采用濾波器可以滿足我們去除信號干擾以及無用數據的需求，并且可以平滑曲線以便于特征值提取。

由于GSR信號的有效變化頻率主要在0.2Hz以下，而干擾信號的頻率較高，所以可以使用巴特沃斯低通濾波器，有效濾除高頻噪聲，留下平滑的低頻GSR信號。

圖1～圖6是進行歸一化及濾波處理后得到的六種基本情緒圖示。

在可視化展示中，可以看到六種基本情緒呈現不同的變化曲線模式，驗證了實驗過程的設計、實驗素材選取以及實驗數據的采集、處理工作具有準確性。隨后進行特征值的選擇與提取工作，完成最后的異常檢測。

對預處理后的數據進行一階差分與二階差分。一階差分可以體現數據的變化趨勢與變化速率，從而區分出局部極值；二階差分則能夠區分出局部信號的拐點，能夠較好體現生理的信號的變化規律。同時提取均值、最大值、最小值、極差、標準差等特征值。

4 結 論

根據現代心理學理論和對實驗數據的前期處理，我們驗證了相同情緒存在著相似的情緒模式，而且這些模式可以被皮膚電反應信號較好地識別和展現。我們同時對提取出的特征值依次進行了計算，但是數值的分布情況并不理想，不能很好地擬合正態分布曲線。

分析可能的原因，一是用于學習的樣本量過少，樣本中采集對象的分布不夠分散，數據缺乏區分度；二是參考資料內的特征值主要用于進行情感模式的識別，識別不同的情感模式的差距，對于同一情緒下不同個體尋找異常時適應性不佳；三是情緒以及異常心理本身成因復雜，表現各異，并不如同假設那樣形成正態分布，故需要考慮采取更加復雜的異常檢測方式。

由于情緒會受到不同心理健康狀態、不同心境的綜合影響，在后續數據采集工作中引入針對個體不同狀態下多次采集情緒數據的實驗流程，將能夠建立更加優化的個人情緒模式數據，并對心理健康狀態、心境基于數據有進一步了解。

根據瑪麗·米克爾2017年的《互聯網趨勢》對于醫療健康領域拐點來臨的預測，醫療健康數據可擁有高達到48%的高年增長率。同時，隨著皮膚電反應信號的廣泛應用與機器學習算法的深入探討，結合未來海量的數據，計算機科學可以在醫療健康領域為大眾提供更佳精準、個性化的心理健康服務，以應對現代人類心理問題頻發的現實。

參考文獻：

[1] 金艷，郭展鵬，鄭希付.特質焦慮大學生對中性刺激的預測偏向 [J].中國臨床心理學雜志，2015，23（2）：213-217.

[2] 楊長河，徐盼.大學生常見異常心理的發生規律研究 [J].廣東青年職業學院學報.2016.30（3）：29-33.

[3] 蔡菁.皮膚電反應信號在情感狀態識別中的研究 [D].重慶：西南大學，2010.

[4] 劉俸汝.基于皮膚電情感識別的情感調節策略研究 [D].重慶：西南大學，2013.

[5] 祁正慶.《醫學心理學》教材中關于異常心理判斷標準的思考 [J].醫學與哲學（A），2014，35（5）：35-36.

[6] Meeker M. A procedure for relating stanford Binet behavior samplings to Guilford's structure of the intellect [J].Journal of School Psychology，1965，3（3）：26-36.

[7] 理查德·格里格，菲利普·津巴多著王壘，等譯.心理學與生活 [M].北京：人民郵電出版社，2003.

[8] 陳斌，陳松燦，潘志松，等.異常檢測綜述 [J].山東大學學報（工學版），2009，39（6）：13-23.

[9] 陳飛宇.基于集成學習算法的異常檢測研究 [D].南京：南京大學，2015.

[10] 張穎，羅森林.情感建模與情感識別 [J].計算機工程與應用，2003（33）：98-102.

[11] 于冰潔，夏戰國，王久龍.基于高斯過程模型的異常檢測算法 [J].計算機工程與設計，2016，37（4）：914-920+953.

[12] 李鳳蘭.中國公眾的心理疾病觀：內容、結構及測量 [D].武漢：華中師范大學，2015.

作者簡介：方沛如（1999.07-），女，安徽樅陽人，本科。研究方向：情感計算與人工智能、嵌入式與物聯網。