围绕信号丢失部分的数据反映了从有效部分到无效部分的转换，反之亦然，而不是传达心理生理信息。因此，这些过渡部分也应该被丢弃。Kleckner及其同事建议在信号丢失期前后去除5-s部分[41]。没有给出这种过渡期规模背后的动机，但在确定这种规模时，信息丢失和确保消除过渡效应之间总是存在折衷。我们在这里改变了过渡期的大小，并研究了对信号质量的影响。当信号丢失周期一个接一个地快速发生时，例如，因为参与者意识到电极的低粘附性，并且通过按压未成功地重新连接电极，所以连续信号丢失周期之间的信号可能是不可靠的。除此之外，考虑到几秒钟内的时间过程，太短的时期将无法捕捉到心理生理反应[43]。因此，如果长度不满足给定的最小要求，则信号损耗周期之间的部分（以下称为损耗间周期）应该被去除，我们在这里也对此进行了研究。

为了检查数据去除的参数设置对信号质量的影响，我们以0.25s的增量步长将过渡期的大小从0改变到2s，以0.5-s的增量阶跃将丢失间周期的大小从0s改变到6s。为了验证不同设置组合的效果，我们从处理后的信号中计算了反映成功删除无效数据的指标。这些度量在表1的前四行中进行了定义。有效信号应该表现出很少的跳跃、很少的过陡斜率（EDA信号中的尖峰与真正的SCR相比具有更陡的斜率[25]）、很少的短有效时期和低熵（具有高度振荡波形的复杂信号，可能由EDA的突然下降和上升轨迹引起，表现出更高的熵，即需要更多的比特来编码信息）。此外，重要的是不要丢失太多数据，即不要删除传感器松动事件周围的太多数据（表1最后一行中的定义）。

表1

EDA删除设置的评估指标。

度量说明规范化

计数

跳跃伪影（C1）EDA数据点之间的绝对斜率

以及以下四个数据点（相当于

125ms）进行计算并取平均值。下一个

将任意阈值设置为最小值

EDA信号的2SD值与

1.25μS的值，相当于

如[41]中建议的10μS/S的变化。

然后我们数了数

超过此阈值的坡度

参与者，以便检测

“跳转”工件。跨设置的规范化，

然后求平均值

跨参与者

斜率平均值

异常值（M1）先前度量中斜率的平均值和SD

计算。接下来，我们选择了

偏离平均值超过10倍

SD，然后计算这些的平均值

“异常值”斜率。零均值调整，

然后平均

参与者，然后

跨设置求平均值

短路计数

划时代（C2）我们统计了剩余EDA段的数量

其长度小于10s。

损失间隔期的取消预计将

有助于该度量的递减。跨设置的归一化，

然后求平均值

跨参与者

减少

熵（M2）去除不可靠的EDA数据应该减少

信号的熵。每10秒

窗口，我们计算了香农熵

基于直方图的概率分布

技术[44]。随后

我们计算了每个参与者的熵的平均值。零均值调整，

然后平均

参与者，然后

跨设置求平均值

数据丢失（M3）我们计算了由于

去除过渡和损耗间时段，

零均值调整，

然后平均

参与者，然后

跨设置求平均值

在单独的窗口中打开

为了将不同度量的分数组合在一个“信号丢失伪影分数”中，我们使用最小-最大方法将值归一化到[0，1]范围内。对于涉及计数的指标（C1，C2），首先在参与者内的移除设置中进行归一化，然后从所有参与者中获得归一化分数的平均值。同时，其他指标（M1、M2、M3）对每个参与者进行了零均值调整，并在参与者之间进行了平均。然后，对移除设置进行规范化。

过渡期和损失间隔期的变化对平均归一化指标的影响如图3a所示。请注意，纵轴是对数刻度。当将过渡期从0扩展到0.25 s时，伪影得分急剧下降，这表明有必要考虑过境图3

消除过渡期和损失期的结果。过渡和损失间周期的变化对平均归一化度量的影响如（a）所示。被标记为无效周期的数据部分的示例如（b，c）所示。

由于去除了低于1μS的EDA数据，两秒的过渡期和六秒的互损期，我们损失了大约5.80%的数据。在11名EDA信号被伪影严重污染的参与者中，我们平均丢弃29.41%（SD=14.62%）。然而，对于其他74名参与者，丢弃的数据低于10%（平均值=1.78%，SD=2.65%），这对于在流动环境中的记录是可接受的。

信号丢失期的持续时间因参与者而异。信号丢失周期的短持续时间（总中位数=0.406，总平均值=0.959，SD=1.89s，根据每个参与者的中位数计算）表明，信号丢失周期中的大部分是由频繁的短时间电极干扰引起的，而不是由很少的长时间断开电极引起的。信号丢失期的发生也因参与者而异；中位发生次数为28次，平均发生次数为155.78次，SD=377.74次。

第3.2.1节的注意事项和建议：去除由于传感器松动而具有超低值的EDA数据并非易事，但在动态生理测量研究中很少受到关注。忽略信号丢失周期但直接应用经典滤波或数据平滑技术可能会衰减EDA迹线中的急剧下降。结果，信号丢失时段中的EDA可能超过EDA的最小允许范围，然后设置最小阈值以丢弃信号丢失部分可能无法有效工作。因此，信号预处理的顺序是一个至关重要的因素。我们建议在应用下一节中讨论的任何过滤器之前，丢弃超低值，丢弃它们周围的过渡期，然后删除丢弃部分之间的短部分。

3.2.2量化误差及其对提取Scr的影响

Ledalab软件执行连续分解分析（CDA-Ledalab），将信号分解为相位响应和主音水平[30]。它是检测和表征SCR最常用的工具之一。然而，将该工具箱应用于可穿戴设备信号的可行性尚未深入研究[46]。

先前的一项验证研究[47]报告称，EdaMove 4和实验室级EDA传感器记录的EDA信号看起来非常相似。然而，如果我们检查EdaMove 4信号的更精细的细节，我们发现无处不在的高频噪声，特别是在EDA峰值之后的恢复过程中EDA的下降曲线处。这种类型的噪声被称为量化噪声[48，49]，是由模数转换中设备的限制引起的。量化噪声可能导致SCR的错误检测。

可穿戴EDA中的量化噪声先前已有报道[50，51，52]，但很少引起关注。处理这一问题的一个可能的解决方案是，在使用Ledalab提取SCR之前，通过使用移动平均或对EDA信号应用低通滤波器来去除所有高频噪声，如早期工作[32，40]中所建议的那样。然而，在平滑参数（窗口大小）、滤波器类型（有限脉冲响应（FIR）/无限脉冲响应）、阶数（2阶至32阶）和截止频率（0.4–3 Hz）方面没有达成共识[46]。重要的是要认识到，各种滤波器不仅可以抑制高频噪声，而且可以在较低的频率范围内降低SCR的幅度。为了阐明不同滤波器设置的效果，特别是在去除量化噪声的同时保持信号的剩余部分不变，我们部署了一个公开可用的数据集。该数据集是在一项神经生理学研究[4]的背景下收集的，该研究在实验室环境中进行，参与者在听听觉刺激时静止坐了大约一个小时。EDA由我们研究中使用的相同设备EdaMove 4以及实验室级系统（ActiveTwo Mk II系统；BioSemi，荷兰阿姆斯特丹）同时记录。后一个系统使用放置在参与者中指和食指腹侧的两个凝胶电极，以1024Hz的采样率记录EDA。我们在这里使用这个数据集来检查过滤器及其设置对使用Ledalab从EdaMove数据中提取SCR的影响。ActiveTwo系统的数据是黄金标准。