方沛如 李晓玉 聂挺 常海鹏 钟鑫

摘 要：通过理论支持与实验验证，探讨通过机器学习对皮肤电反应（GSR）信号的处理，能否实现对情绪模式的区分与异常心理的量化评估。最终验证GSR信号是否具有应用于异常心理检测的条件。

关键词：异常心理；皮肤电反应；机器学习；异常检测

中图分类号：B845.2 文献标识码：A 文章编号：2096-4706（2018）03-0186-04

Simple Exploration of Galvanic Skin Response in Abnormal Psychological Assessment

FANG Peiru，LI Xiaoyu，NIE Ting，CHANG Haipeng，ZHONG Xin

（Hefei University of Technology School of Computer and Information，Hefei 230601，China）

Abstract：With theoretical support and experimental verification，it is discussed whether the processing of galvanic skin response（GSR）signals can achieve quantitative assessment of abnormal psychology and distinguish emotional patterns by using machine learning. Finallyverify that the GSR signal has conditions for abnormal psychology evaluation.

Keywords：abnormal psychology；galvanic skin response；machine learning；abnormal detection

1 理論依据

1.1 异常心理

异常心理是针对心理健康的标准而存在的，是一种影响正常现实生活的异样或病态的心理与行为，是在人与客观现实关系失调的基础上产生的对客观实现的歪曲反应。异常心理使人的行为表现与环境失去同一性。

情绪是一种复杂的身体与心理变化模式，包括生理唤醒、感觉、认知过程及表情手势等外显表达以及特殊的行为反应。情绪是对具体事件的特殊反应，具有持续时间短、表现强烈等特点。情绪在生理上表现为自主神经系统（ANS，Autonomic Nervous system）的活动，对于不愉快的刺激，交感系统更加活跃；对于愉快的刺激，副交感系统更加活跃。刺激的强度增大时，会同时导致两种系统的活动增强。同时，在心理学家的跨文化研究中，生理上的相同情绪在跨文化条件下具有极为相似的情绪模式。

心理状态在同一刺激与环境下能够形成与情绪相关的稳定映射，且极端情绪本身会带来诸如严重抑郁症（major depressive disorder）和双相障碍（bioplar disorder）等心境障碍（mood disorders）。本文基于以上理论，期望通过识别情绪异常来尝试对异常心理进行量化评估。

本文对于情绪异常以及心理状态异常的定义均是在统计学中表现出的情绪数据的异常，尚不能将文内描述的数据异常与现实定义下的异常心理建立相关。

1.2 皮肤电反应

皮肤电反应（GSR，galvanic skin response），是一项情绪生理指标，它代表机体受到刺激时皮肤电传导的变化。皮肤电反应的原理是，当机体受到外界刺激或情绪状态发生改变时，自主神经系统的活动就会引起血管的舒张和收缩以及汗腺分泌等变化，从而导致皮肤电阻变化。情绪觉醒水平的变化能够引起相应的皮肤电反应变化，因此，GSR信号能广泛地应用于情感计算领域。

皮肤电反应基础水平与个体特征有关，并且还受到觉醒水平、温度及活动等三种因素的影响。因此，不同人在不同的时间段，其皮肤电传导性都会存在差异。

根据西南大学对于皮肤电反应信号在情感状态识别的研究结果显示，皮电信号能够在合适的激发素材的前提下对愤怒、厌恶、恐惧、高兴、惊讶及悲伤等六种情绪模式有较好的识别。

同时临床心理学研究结果表明，不可预测下的中性刺激诱发的皮肤电反应差异可依区分高、低焦虑个体，说明皮肤电反应的差异可以对部分异常状态进行甄别。

由此，我们推测可以通过采集分析得到愤怒、厌恶、恐惧、高兴、惊讶及悲伤等六种情绪的皮电信号模式，寻找与大多数个体数据存在差异的情绪数据，将其定义为异常心理状态。

1.3 机器学习

机器学习（Machine Learning）是指机器模拟人类的学习行为。它以获取新的知识或技能来完善自身知识结构的过程，是人工智能的重要分支。

机器学习根据是否有人为标记可以分为有监督学习和无监督学习。无监督学习中的异常检测适用于正常样本较多的情况，它不需要预先进行人工标记，对样本数的需求量也较小，适应于当前需求与样本数量。但同时也要求我们提取出的特征值尽量满足概率学上的正态分布，即：

x～（?，σ2）

本文数据处理中的机器学习过程为：通过对情绪相关数据进行归一化与降噪等预处理，提取出特征值。以特征值拟合数学模型寻找边缘化的数据，将其定义为某种异常状态。

2 实验验证

2.1 实验准备

针对愤怒、厌恶、恐惧、高兴、惊讶及悲伤这六种基本情绪筛选对应的刺激视频各两组，共十二组视频。为了避免实验对象因提前观看过素材而产生偏差，我们舍弃了过于大众化的视频素材。预先通过组内测试保证刺激素材具备足够的情绪激发效果，并初步验证通过传感器采集得到的GSR数据可随情绪变化会出现明显的数值变化。

皮肤电反应数据采集对象为在校大学生，心智正常，男女不限，出于自愿原则参与数据采集，并提前签订数据采集协议。为保证采集对象对于实验过程及实验素材具有相似的了解程度，每人只进行一次数据采集。

采集设备为HK2013/2红外脉搏皮肤电阻采集器，使用USB供电，采用外部电流激励方式，以200Hz采样频率测量人体皮肤电阻变化信号。该传感器采用了精密运算放大器，输出高精度皮肤电阻变化数据，皮肤电阻量程为100～2500K欧姆。

2.2 实验过程

实验对象与实验小组达成意向后签订数据采集协议，实验小组为实验对象提供相似的安静、安全的环境，以保证实验对象的情绪受到较少的环境因素干扰。之后按照“实验介绍—播放刺激视频一—自我情绪评价—播放平静视频—播放刺激视频二—自我情绪评价……”的循环流程进行实验数据采集工作。

刺激视频顺序由采集程序随机产生，在每个刺激视频前都会播放过渡视频帮助实验对象平复前一段视频带来的情绪变化，从而减少已播放素材对于后续素材情绪激发的影响。

由于在强烈的情绪产生后，接受刺激过程中自主神经系统促进释放的激素会残留在血液中，使得机体会保持一段时间的情绪唤醒，因此我们需要为实验对象保留无刺激的过渡期，等待机体生理反应恢复基础水平。平静期的GSR信号也为后续数据归一化处理提供了不同实验对象的皮肤电反应基础水平，使得我们能够对实验过程中GSR信号的变化进行更好的了解。

每段刺激视频观看结束后，实验对象要对该视频进行主观的自我情绪评价。实验对象需要选择愤怒、厌恶、恐惧、高兴、惊讶及悲伤这六种基本情绪及其对应的情绪强度。根据实验对象的自我评价，验证了我们情绪激发素材的选取对于各类情绪具有较好的激发效果。

2.3 实验结果

此轮实验参与数据采集者共计100人次，其中可用数据95组，用于机器学习训练集20组，其余留作验证集与测试集。

在训练集的20組数据内，12个刺激素材的激发效果如表1所示，由于自我情绪评价是针对六种基本情绪同时打分，根据实验对象情感状态以及自我判断的不同，激发成功表示实验对象对该视频的评价中预设情绪的分数大于（包括等于）其他情绪。

在表1中，愤怒情绪多次与厌恶情绪相关联，考虑到情绪感受同时受到认知体系的影响而存在个体偏差，故而没有舍弃样本1。此外，惊讶刺激素材多次有较高的高兴评分，由于刺激视频本身的惊讶评分也很高，综合考虑两个惊讶素材后，舍弃样本9，而保留样本10。

3 数据处理与分析

本研究所用采集的设备采样频率高达200Hz，而GSR信号的有效变化频率远小于采样频率，因此存在了大量无用的数据冗余。由于观察发现连续的多个数据经常只存在±1的差值，而个别数据偏差可能是设备干扰导致。因此我们忽略了偏移数据，每三个数据取其平均值替代原有数据用于数据处理，对冗余数据进行了简单的、几乎无损的压缩。

由于GSR信号的特点，不同实验对象以及不同实验时间、不同实验温度均会对皮肤电反应的基础水平带来较大的影响。因此，我们在实验流程设计时便在每一个刺激视频前都预留了一个平静视频，用于使实验对象平复刺激素材带来的特定情绪，并且可以作为当前实验对象GSR信号基础水平，用于归一化。

此外，实验采集得到的原始数据由于环境等外部干扰以及设备电传导内部干扰，原始数据本身会较大程度地受到干扰带来的噪声影响，因此，还要使用合适的滤波器对原始数据进行降噪处理，以尽可能降低噪声对数据可靠性的影响。

3.1 归一化

皮肤电反应基础水平个体差异较大，不同的人在同一环境下的皮肤电水平差异巨大，同一个人在不同时间、不同环境下也会有不同的基础水平。当研究不同人的皮肤电水平时，需要去除个体GSR信号的基础水平差异。此外，皮肤电反应信号用于情绪相关的研究时，需要考虑的实际上是情绪变化引起的皮肤电反应信号的变化值。

因此，可以采用归一化的手段，将GSR信号的绝对值转变为相对值，即变化值，从而在保证实验需求的情况下去除基础水平差异带来的数据差异。我们将平静视频下的数据视为个体当时的基础水平，用实验对象在刺激视频下的数据减去对应平静视频下的数据均值，得到的数据便去除了个体与外界环境带来的差异，也就是对数据进行了归一化。

在对不同实验对象的同一情绪进行归一化处理时，可以观察到不同对象的同一情绪变化存在相似的变化曲线与变化范围，这为我们提供了在同种情绪数据中寻找差异性的基本条件。

3.2 滤波器

采集到的皮肤电信号本身作为生物电信号是非常微弱的，采集设备对其采用了精密运算放大器进行放大，但同时微弱的信号干扰也随之放大，甚至会淹没正常信号。

滤波器可以对信号中指定频段或该频段以外的频率进行有效滤除，从而得到指定频段下的电源信号，或滤除指定频段后的电源信号。采用滤波器可以满足我们去除信号干扰以及无用数据的需求，并且可以平滑曲线以便于特征值提取。

由于GSR信号的有效变化频率主要在0.2Hz以下，而干扰信号的频率较高，所以可以使用巴特沃斯低通滤波器，有效滤除高频噪声，留下平滑的低频GSR信号。

图1～图6是进行归一化及滤波处理后得到的六种基本情绪图示。

在可视化展示中，可以看到六种基本情绪呈现不同的变化曲线模式，验证了实验过程的设计、实验素材选取以及实验数据的采集、处理工作具有准确性。随后进行特征值的选择与提取工作，完成最后的异常检测。

对预处理后的数据进行一阶差分与二阶差分。一阶差分可以体现数据的变化趋势与变化速率，从而区分出局部极值；二阶差分则能够区分出局部信号的拐点，能够较好体现生理的信号的变化规律。同时提取均值、最大值、最小值、极差、标准差等特征值。

4 结 论

根据现代心理学理论和对实验数据的前期处理，我们验证了相同情绪存在着相似的情绪模式，而且这些模式可以被皮肤电反应信号较好地识别和展现。我们同时对提取出的特征值依次进行了计算，但是数值的分布情况并不理想，不能很好地拟合正态分布曲线。

分析可能的原因，一是用于学习的样本量过少，样本中采集对象的分布不够分散，数据缺乏区分度；二是参考资料内的特征值主要用于进行情感模式的识别，识别不同的情感模式的差距，对于同一情绪下不同个体寻找异常时适应性不佳；三是情绪以及异常心理本身成因复杂，表现各异，并不如同假设那样形成正态分布，故需要考虑采取更加复杂的异常检测方式。

由于情绪会受到不同心理健康状态、不同心境的综合影响，在后续数据采集工作中引入针对个体不同状态下多次采集情绪数据的实验流程，将能够建立更加优化的个人情绪模式数据，并对心理健康状态、心境基于数据有进一步了解。

根据玛丽·米克尔2017年的《互联网趋势》对于医疗健康领域拐点来临的预测，医疗健康数据可拥有高达到48%的高年增长率。同时，随着皮肤电反应信号的广泛应用与机器学习算法的深入探讨，结合未来海量的数据，計算机科学可以在医疗健康领域为大众提供更佳精准、个性化的心理健康服务，以应对现代人类心理问题频发的现实。

参考文献：

[1] 金艳，郭展鹏，郑希付.特质焦虑大学生对中性刺激的预测偏向 [J].中国临床心理学杂志，2015，23（2）：213-217.

[2] 杨长河，徐盼.大学生常见异常心理的发生规律研究 [J].广东青年职业学院学报.2016.30（3）：29-33.

[3] 蔡菁.皮肤电反应信号在情感状态识别中的研究 [D].重庆：西南大学，2010.

[4] 刘俸汝.基于皮肤电情感识别的情感调节策略研究 [D].重庆：西南大学，2013.

[5] 祁正庆.《医学心理学》教材中关于异常心理判断标准的思考 [J].医学与哲学（A），2014，35（5）：35-36.

[6] Meeker M. A procedure for relating stanford Binet behavior samplings to Guilford's structure of the intellect [J].Journal of School Psychology，1965，3（3）：26-36.

[7] 理查德·格里格，菲利普·津巴多著王垒，等译.心理学与生活 [M].北京：人民邮电出版社，2003.

[8] 陈斌，陈松灿，潘志松，等.异常检测综述 [J].山东大学学报（工学版），2009，39（6）：13-23.

[9] 陈飞宇.基于集成学习算法的异常检测研究 [D].南京：南京大学，2015.

[10] 张颖，罗森林.情感建模与情感识别 [J].计算机工程与应用，2003（33）：98-102.

[11] 于冰洁，夏战国，王久龙.基于高斯过程模型的异常检测算法 [J].计算机工程与设计，2016，37（4）：914-920+953.

[12] 李凤兰.中国公众的心理疾病观：内容、结构及测量 [D].武汉：华中师范大学，2015.

作者简介：方沛如（1999.07-），女，安徽枞阳人，本科。研究方向：情感计算与人工智能、嵌入式与物联网。