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！~）