当从ActiveTwo信号中没有检测到峰值时，CDA Ledalab在EdaMove信号中检测到许多小峰值，如图4所示，证明了量化噪声的不利影响。应用硬低通滤波器（32阶）并不能显著减少检测到的小峰值的数量，因为由于量化噪声引起的微小振荡仍然存在。将Ledalab中的峰值高度标准设置为0.05μS[25]，将峰值数量过度减少到只有一个检测到的峰值，而在示例数据中，从ActiveTwo信号中检测到16个峰值。一个合理的原因是SCR顶部的噪声驱动振荡迫使CDA Ledalab将相位分量分解为多个振幅较小的子SCR。因此，在不减轻量化噪声的情况下设置坚定的阈值以丢弃较小的峰值可能导致信息丢失的问题。

保存图片、插图等的外部文件。

对象名称为sensors-20-05380-g004.jpg

图4

连续分解分析（CDA-Ledalab）由滤波前后的EdaMove信号和地面实况ActiveTwo信号得出。较小的方框显示了更精细的细节。显示了估计的相位峰值的位置。使用较大的标记突出显示估计振幅高于0.05μS的显著峰值。请注意，左纵轴上的比例用于EdaMove信号，而右纵轴上的缩放用于ActiveTwo信号。

我们进一步测试了增加FIR滤波器的阶数，相当于扩大移动平均滤波器的大小，以获得更平滑的曲线。然而，这会导致SCR的振幅降低，如图5a所示。这是不可取的，因为峰值振幅是心理生理学研究的一个重要特征[29，31]。最近，在EDA中，经验模式分解被认为优于移动平均方法来去除量化噪声。然而，尽管与移动平均法相比，产生了更高的低频与高频比，但观察到经验模式分解显著降低了峰值振幅，并显著降低了检测到的峰值数量[52]。经典滤波技术很难在保持SCR幅度高度的同时减轻量化噪声的问题。Ledalab为用户提供数据平滑选项，包括Hanning窗口、移动平均和高斯方法。然而，这些平滑技术类似于上述技术，具有相同的相关缺点。

保存图片、插图等的外部文件。

对象名称为sensors-20-05380-g005.jpg

图5

在两个不同的时间段（a，b）应用各种滤波/平滑技术前后EdaMove信号的比较。

我们建议使用Savitzky–Golay（S-G）滤波[53]，而不是使用线性滤波器，这是一种数据平滑技术，具有保留峰值振幅的优点。S-G滤波器是一种FIR滤波器，它通过使用局部最小二乘多项式近似拟合信号来平滑数据，而不会产生太多数据失真。通过使用低阶多项式，窗口大小可以大到几秒，同时仍然保持SCR幅度。S-G滤波器已被用于对各种生物医学信号进行去噪，包括心电图数据[54]。它最近被用于纠正视频域中的量化误差[55]，这表明它也可能适用于去除EDA信号中的量化噪声。

在这里，我们将多项式阶数固定为3，窗口大小固定为5秒，并将滤波器应用于[4]中的数据。为了将这种方法与传统方法进行比较，我们应用了一种使用相同窗口大小的移动平均技术，以及它的变体，即预先应用移动中值作为减轻高频尖峰模式的经典方法。结果如图5所示，比较了完整信号和使用硬低通FIR滤波器、S-G滤波器、移动平均和移动中值平均技术平滑后的信号。由S-G滤波器滤波的信号不会由于量化噪声而出现振荡，并且在保持信号的形态，特别是峰值的高度方面优于移动平均和移动中值平均技术。

上述结果是在参与者不动的环境中获得的。我们在另一个公开可用的数据集中进一步探讨了滤波器的影响，该数据集来自一项研究，该研究考察了双手EDA记录的相似程度是否可以作为检测EDA信号中运动伪影的客观方法[56]。使用与我们研究中相同的设备记录EDA。参与者双手佩戴EdaMove 4传感器，并在已知时间被指示在保持左手静止的同时使用右手或手臂进行特定动作。指令包括手的旋转，图6

以0.5s为步长，从2到4s改变滤波器大小对相位（剩余和丢弃）峰值的数量和振幅以及情绪声音后峰值振幅的衰减的影响（与原始峰值高度的绝对值和相对值，以百分比为单位。误差条表示SD/N−√，其中N=12名参与者。）。

此外，我们还研究了S-G滤波（大小为三秒）对移动手的数据的影响。从视觉检查中，我们发现由于运动引起的伪影与高频量化噪声具有不同的特征，特别是在形态和峰值振幅方面。因此，它们没有受到S-G滤波器应用的显著影响。

考虑到S-G滤波器在保持心理生理信号完整的同时减少量化噪声的能力，我们将具有三次多项式阶的3秒S-G滤波器应用于我们在学校现场记录的数据。图7显示了在应用S-G滤波器后从在校青少年中记录的EDA轨迹的示例。

保存图片、插图等的外部文件。

对象名称为sensors-20-05380-g007.jpg

图7

EDA的一个例子（以μS为单位），由同一班级的五名参与者组成。红色轨迹表示原始信号，黑色轨迹表示应用S-G滤波器后的信号，红色阴影表示CDA Ledalab计算的主音水平。

第3.2.2节的注意事项和建议：模数转换中的设备限制可能导致量化噪声，这可能被误认为SCR。为了避免错误的SCR检测，强烈建议使用适当的技术来平滑EDA信号，该技术可以保留包括SCR发生和幅度在内的重要信息，并且可以去除量化噪声。我们建议使用S-G滤波。

3.2.3移动伪影和未知因素造成的伪影

在前面的部分中，我们讨论了由松散传感器和量化噪声引起的伪影，以及如何处理它们。使用可穿戴传感器在移动环境中记录EDA可能会导致一系列其他伪影，例如由于身体运动而对传感器施加压力所导致的伪影，这些伪影通常更难识别。常见的做法是目视检查。曾有人尝试开发工具来自动检测工件。例如，Taylor及其同事训练了一种机器学习算法，以检测Q传感器记录的信号中的运动伪影[58]。提取EDA特征，如幅度、一阶和二阶导数以及小波变换特性，以训练支持向量机来区分伪影和非伪影数据时期，其中由两名专家标记真实有效和无效数据。经过训练的模型可以在线获得，研究人员可以使用提供的基于网络的平台或下载的代码（名为EDA Explorer）来识别数据中的工件。Kleckner及其同事采用了另一种方法[41]。他们开发了一种基于规则的方法来检测Q传感器记录的动态EDA数据中的伪影。使用不同的参数，如温度、SCR幅度、SCL的绝对变化（超过10μS/S）和过渡期，来识别人工历元，其中的准确性通过与专家的基本事实一致而得到证实。与EDA Explorer相比，在使用相同数据集的情况下，基于规则的方法比基于机器学习的方法（38%）标记的工件更少（24%）。

这些工具用于识别来自其他可穿戴EDA传感器的数据中的伪影的适用性尚未得到检验。Q传感器使用手腕处的干电极来记录EDA。这些工具是否适用于检测从不同地点记录的信号中的伪影，例如EdaMove中的手掌，这是值得怀疑的。记录位置的差异会影响信号的特性。具体而言，与手腕相比，手指和手掌的汗腺密度更高，导致SCL、SCR、范围和对唤起事件的敏感性水平存在差异[25]。腕型传感器记录的EDA水平通常在有效EDA范围（0.05–60μS）的下限附近[7]，这使得很难检测到小的EDA响应[59]，并导致检测短暂轻度压力源的性能有限[60]，尤其是与基于手掌的EDA设备的性能相比[61]。对于基于规则的方法，有必要建立与专家评级相匹配的特定标准[41]，这可能不会在从不同设备、环境或研究目标捕获的信号中进行概括。类似地，EDA Explorer中用于伪影分类的最有效特征是平均值和形状（一阶和二阶导数），如上所述，其可以根据记录设备、电极类型、测量部位和外部环境而变化。研究发现，当使用