图11

根据原始EDA信号（raw）、去除无效部分后的信号（零rmv）以及为所有参与者应用Savitzky–Golay（S-G）滤波器（平滑）后的信号计算的（绝对和归一化）特征的比较。阴影区域代表SD/N-√，其中N=85名参与者。

如第3.2.1节所述，我们发现信号丢失期的发生和持续时间在参与者之间存在很大差异。预处理程序对数据丢失率高的参与者的影响可能很大。为了进一步研究这一点，我们将重点放在11名参与者身上，如第3.2.1节所述，他们的EDA信号被伪影严重污染。事实上，预处理过程对感兴趣特征的影响更为显著，如图12所示（仅显示了具有明显影响的特征）。具体而言，在应用S-G滤波器后，该组EDA特征的动力学与图11中观察到的总体U形趋势更加一致，这表明所提出的预处理有助于找到感兴趣的模式。

保存图片、插图等的外部文件。

对象名称为sensors-20-05380-g012.jpg

图12

从原始EDA信号（raw）、去除无效部分后的信号（零rmv）和应用S-G滤波器（平滑）后的信号计算的（绝对和归一化）特征的比较，用于11名信号被伪影严重污染的参与者。阴影区域代表SD/N-√，其中N=11名参与者。

转到：

4.讨论

通过本研究，我们揭示了现实生活中生理活动的可用性和信号处理的几个重要方面。我们使用可穿戴设备收集了86名青少年在上学期间的皮肤电活动（EDA）和心率（HR）数据。在学校实地测量生理信号被发现是可行的，只有轻微的干扰和少量的数据缺失。我们对数据的分析表明，EDA研究中现有的工具箱有助于信号的预处理和分析，但不能盲目使用默认参数。忽略设备和测量环境之间的差异会产生误导性的结果。此外，在门诊环境中客观检测伪影仍然很困难，需要进一步阐明。因此，我们在动态生理测量中的一般建议是，在数据检索后，应遵循一些主要指南。首先，应调查由于电极松动引起的信号损失，并丢弃无效部分，包括超低信号、周围历元和无效部分之间的超短历元。然后，应该检查由于模数转换而产生的量化噪声，并且如果存在，则通过应用诸如Savitzky Golay（S-G）滤波器之类的非线性滤波器来去除量化噪声。接下来，人工制品应该在自动工具的潜在帮助下去除，并意识到心理状态和运动人工制品之间可能的混淆因素。最后，相位成分可以从主音水平中提取，但结果应该用原始数据进行验证。在适当考虑信号处理和分析技术的有效性的情况下，使用可穿戴传感器对生理信号进行动态测量可能会带来新的见解和应用。

在这项研究中，分别使用可穿戴传感器在手掌和胸部收集EDA和HR数据。对青少年日常生活中这种生理活动的评估可能具有很高的信息量，可以检查日常生活中与心理状态相关的生理唤醒，从而确定了解青少年健康和发展的精细过程。为此，迫切需要精确实用的工具来衡量这一参与者群体[63，64]。然而，迄今为止，在青少年中使用这种工具的可行性很少得到审查。关于该设备的可用性，我们的研究结果表明，实时数据流可能会激发青少年的好奇心，从而可能导致记录干扰。因此，在本地存储受试者无法查看或干扰的数据的设备可能是优选的。这项研究的结果是支持在学校原位测量心理生理信号的可行性的第一个证据，青少年在学校度过了一天中的大部分时间，控制（剧烈的）体育活动至少在一定程度上是可能的（例如，通过关注上课时间）。

我们在采集的数据上测试了常用的信号预处理和分解方法。特别是，我们旨在深入了解哪些设置可能需要对使用可穿戴EDA和HR传感器收集的数据给予额外关注。我们的研究表明，在忽略所研究的特定信号的特征的情况下，应用可用的工具箱可能会产生误导性的结果，例如错误地检测