[论文解读] A short review and primer on electrodermal activity in human computer interaction applications

Benjamin Ultan Cowley, Jari Torniainen|arXiv (Cornell University)|Aug 24, 2016

Emotion and Mood Recognition参考文献 9被引用 5

一句话总结

本文为人类-计算机交互（HCI）领域提供了关于皮肤电活动（EDA）的简明导论，强调其作为生理唤醒可靠、实时测量手段的应用价值。文章综述了 EDA 信号的采集、分析技术及其在 HCI 中的应用，表明基于 EDA 的分类器在受控任务中可实现超过 90% 的情绪唤醒预测准确率，且 EDA 生物反馈训练仅需 30–40 分钟即可显著提升持续注意力。

ABSTRACT

The application of psychophysiology in human-computer interaction is a growing field with significant potential for future smart personalised systems. Working in this emerging field requires comprehension of an array of physiological signals and analysis techniques. One of the most widely used signals is electrodermal activity, or EDA, also known as galvanic skin response or GSR. This signal is commonly used as a proxy for physiological arousal, but recent advances of interpretation and analysis suggest that traditional approaches should be revised. We present a short review on the application of EDA in human-computer interaction. This paper aims to serve as a primer for the novice, enabling rapid familiarisation with the latest core concepts. We put special emphasis on everyday human-computer interface applications to distinguish from the more common clinical or sports uses of psychophysiology. This paper is an extract from a comprehensive review of the entire field of ambulatory psychophysiology, including 12 similar chapters, plus application guidelines and systematic review. Thus any citation should be made using the following reference: B. Cowley, M. Filetti, K. Lukander, J. Torniainen, A. Henelius, L. Ahonen, O. Barral, I. Kosunen, T. Valtonen, M. Huotilainen, N. Ravaja, G. Jacucci. The Psychophysiology Primer: a guide to methods and a broad review with a focus on human-computer interaction. Foundations and Trends in Human-Computer Interaction, vol. 9, no. 3-4, pp. 150--307, 2016.

研究动机与目标

• 为初次接触 HCI 中心理生理学的研究人员提供基础指南，聚焦 EDA 作为关键生理信号的作用。
• 澄清 EDA 的现代术语与测量方法，摒弃如“皮肤电反射”等过时术语。
• 突出 EDA 在真实世界 HCI 应用中的实际价值，如情绪识别与生物反馈，而非临床或体育应用。
• 综述 EDA 分析的最新进展，包括对传统解释模型进行修订以提升准确性。
• 通过展示 EDA 在多模态生理传感中具备的可靠性与可解释性，支持个性化、自适应系统的发展。

提出的方法

• 本文采用对 HCI 领域中 EDA 应用的系统性综述，其基础来自关于移动心理生理学的 12 章综合评述。
• 概述了关键的 EDA 测量方法，包括使用交流或直流电的主动体表技术以评估皮肤电导。
• 评估了 EDA 信号特征（如紧张性峰值、紧张水平与反应幅度）在分类唤醒状态中的应用。
• 应用机器学习分类器（如朴素贝叶斯与线性判别分析，LDA）对 EDA 特征进行处理，以预测情绪唤醒与任务负荷。
• 整合了使用可穿戴传感器（如 Varioport-ARM、自定义臂戴设备）在实时 HCI 任务中开展的受控实验结果。
• 包含对基于 EDA 信号调节注意力与情绪状态的生物反馈系统验证，采用错误率与反应时间变异性等指标。

实验结果

研究问题

• RQ1 在人机交互中，如何可靠地将 EDA 用作生理与情绪唤醒的代理指标？
• RQ2 在真实世界 HCI 应用中，检测情绪反应时，哪些 EDA 信号特征与测量部位最为有效？
• RQ3 基于 EDA 的分类器在基于任务与游戏环境中的自我报告情绪唤醒预测中，准确度能达到何种程度？
• RQ4 短期 EDA 生物反馈训练是否能有效提升持续注意力并减少警觉任务中的认知衰退？
• RQ5 不同唤醒模型（如环形模型与三系统模型）如何影响 HCI 研究中对 EDA 信号的解释？

主要发现

• 朴素贝叶斯分类器在受控工作类任务中，基于 EDA 特征预测情感唤醒的准确率超过 90%。
• 在类电脑游戏的学习环境中，同一分类器预测自我报告情绪唤醒的准确率为 69%。
• 线性判别分析（LDA）利用 16 个 EDA 特征，在区分基线与压力诱导的认知任务中达到 83% 的准确率。
• 采用 EDA 生物反馈的自我警觉训练（SAT）系统，在 30–40 分钟训练后显著减少了错误率，并保持了稳定的反应时间变异性。
• 使用 SAT 系统的参与者在训练后表现出更高的唤醒水平（通过 SCR 幅度测量），而安慰剂组则呈现下降趋势，表明短暂生物反馈具有可测量的生理效应。
• 本研究证实，EDA 是一种可靠、可解释且低成本的实时生理监测工具，适用于多模态 HCI 系统。