定义、信号对象与用途边界
皮电压力分析算法是对皮肤电活动(electrodermal activity,EDA)进行质量控制、分解、特征提取和建模,以估计交感神经相关唤醒变化,并在限定场景下辅助识别与压力任务或主观压力相关模式的方法体系,归入 WSIC 4.4.1“睡眠信号处理算法”。皮电也常被称为皮肤电导、皮肤电反应或 GSR;规范描述应区分持续变化的皮肤电导水平(SCL)与较短暂的皮肤电导反应(SCR)。
汗腺活动受交感神经调节,因此皮电对唤醒变化较敏感,但缺乏压力专一性。运动、热环境、疼痛、惊吓、认知努力、兴奋、药物、咖啡因和睡眠阶段变化都可能产生相似信号。算法输出最多是在给定数据、标签和情境下对某类状态的概率估计,不能读心、测谎,也不能只凭一条腕部曲线诊断焦虑症、创伤后应激障碍、慢性压力或睡眠障碍。
产品必须先界定预期用途:科研特征提取、一般健康趋势、放松训练反馈、护理辅助观察,还是医疗诊断或治疗决策支持。用途不同,所需参考标准、性能阈值、风险控制和监管身份不同。把“压力指数”改名为“恢复”“平衡”或“能量”不会改变其真实推断内容,也不能规避对健康声称和自动化决策的审查。
传感器、采集条件与信号质量
实验室皮电常从掌面或足底等汗腺反应较明显的位置采集;手腕设备更便于长期佩戴,却可能因位置、干电极、接触面积和活动而呈现不同的幅度与伪迹。输入规范应记录测量方法、施加电压或电流、单位、传感位置、电极材料与面积、固定方式、皮肤处理、采样率、量程、分辨率、校准、设备时钟和固件版本。不同设备或位置的绝对数值不能未经桥接验证直接比较。
环境温度、湿度、皮肤温度、出汗、洗浴、乳液、压力接触、手腕松紧、体毛和皮肤状况都会改变导电条件。动作、摩擦、短暂脱离、充电摘除、饱和和模数转换故障可产生阶跃、尖峰或平坦线。算法应同步活动和温度等辅助通道,保留原始信号并输出佩戴、接触、饱和、运动和缺失标志;低质量片段应降权、拒绝或单独报告,而不是用平滑曲线掩盖。
采集前需定义稳定时间、基线条件和任务时点。餐食、尼古丁、酒精、咖啡因、药物、急性疾病、锻炼及昼夜时相应记录在案。长期自由生活采集还要处理时区、夏令时、手机与设备时钟漂移。没有可靠时间同步,皮电峰与事件、心率、呼吸或睡眠阶段的对应关系就可能整体错位。
预处理、分解、特征与标签
典型流程包括时间统一、单位和校准检查、非佩戴识别、伪迹标记、合理滤波、缺失分段,以及将信号分解为缓慢的 tonic 成分和快速的 phasic 成分。峰值检测阈值、响应潜伏窗口、重叠反应处理、基线窗口和分解方法必须版本化。滤波过强可能删除真实的短暂反应,插补过多则会凭空生成趋势;原始值、清洗值、插补值和拒绝片段应能追溯。
常见特征包括 SCL 的均值、斜率与变异,SCR 的数量、振幅、上升及恢复时间,单位时间峰率,以及时频、复杂度或模型潜变量。特征要按窗口长度和有效覆盖解释,同一特征在十秒任务、整晚睡眠和多周趋势中含义不同。个体间基线差异通常很大,归一化和个体基线可能改善可比性,但也可能把真实群体差异或设备偏差隐藏起来,因此必须同时保存绝对与相对结果的定义。
“压力”标签是最薄弱也最容易被忽略的环节。实验诱发任务、即时自评、回顾问卷、观察者编码、工作日历、皮质醇或临床判断测量的是不同构念,不能混作同一个真值。标签应有明确时间窗、量表、阈值、缺失规则和标注者信息;自评与皮电不一致不等于参与者错误。训练集若把任务名称直接当作生理压力,模型可能只学到动作、说话或实验顺序。
睡眠场景与结果解释
夜间皮电不是白天压力分类器的简单延长。睡眠期间也会出现自发皮电峰和成串反应,且其分布可随 NREM、REM、体温、觉醒和夜内时段变化。腕部研究观察到许多峰出现在 NREM 睡眠,这说明“峰多”等规则不能直接翻译为噩梦、焦虑或心理压力。睡眠阶段本身、卧室温热、被褥、翻身和腕带受压都可能改变输出。
若目标是研究睡前压力与睡眠的关系,应把睡前清醒期、入睡过渡、整夜和晨起分开建模,并预先规定压力标签与睡眠结局的时间关系。睡前主观压力与夜间唤醒相关,不代表皮电介导了这种关系。若目标是睡眠/清醒或阶段辅助识别,则应使用同步多导睡眠图或适当参考标注验证,不能把压力任务中的高低唤醒标签改名后直接使用。
多模态信息可减少歧义,例如结合加速度、皮肤温度、心率、呼吸和事件日记区分运动、热出汗与情境变化,但融合不等于自动获得特异性。每个通道都可能缺失或含伪迹,模型应说明在何种通道组合下有效、缺失时如何降级,以及皮电究竟贡献了多少增量价值。系统无法区分多个合理解释时,应显示“不确定”或“数据不足”。
面向用户的结果宜表达为“该时段观察到高于个人基线的交感唤醒相关皮电模式”,并列出数据质量和可能影响因素。不得把单夜颜色、一个百分数或连续振动提醒包装成客观心理事实。若反馈本身引发担忧、反复检查或睡眠焦虑,应允许关闭实时提醒,只保留适度频率的趋势回顾。
模型开发、验证与公平性
数据划分必须按参与者隔离;同一人的相邻窗口、同一夜或同一任务片段不得同时进入训练和测试,否则会因个体基线和时间相似性造成泄漏。开发、调参、内部测试和外部验证应独立。验证应覆盖预期人群、设备、佩戴位置和真实部署环境,而不只是在少量健康成人的标准化实验室压力任务上获得高准确率。
性能报告应给出类别定义、样本与参与者数量、事件基率、灵敏度、特异度、阳性预测值、阴性预测值、精确率召回率、校准、置信区间和拒绝率,并说明是逐窗口、逐事件还是逐人的评价。类别不平衡时,仅报告准确率会误导;大量重叠窗口也不能被当作大量独立参与者。趋势产品还需测试重复性、最小可检测变化和个人内一致性。
应按年龄、性别相关生理状态、皮肤状况、出汗水平、体型、疾病、药物、职业任务、气候、季节、设备批次和佩戴习惯检查误差。没有响应或反应很弱的人不应被自动判定为“无压力”,出汗较多者也不应被持续标为高压力。个体化模型要有足够、代表性的校准数据,并明确冷启动、设备更换和长期漂移的处理。
外部验证还应包括运动、通勤、公开讲话、安静专注、疼痛、发热、睡眠不足和不同情绪价态等混淆情境。与多模态模型比较时,要报告仅用皮电的基线和每个通道的增量价值。模型更新后应在锁定数据集上回归测试,阈值、特征或标签发生变化时,不应无说明地把新旧分数拼接成长期趋势。
部署、反馈与安全治理
部署链路要保留原始信号、质量标志、预处理版本、特征、模型、阈值和界面之间的数据血缘。端侧分析可减少原始数据外传,但仍需验证电量、缓存、时钟和固件差异;云端分析需监测上传缺口、重复记录、租户隔离和服务版本。系统应设置最低有效覆盖、连续异常确认、告警冷却和人工复核,避免一个运动伪迹触发压力干预。
反馈应帮助用户理解模式而非给人贴标签。可提供数据质量、个人基线、时间范围、不确定性和可能混淆因素,不宜用红色警报或带道德评价的语言宣称用户“失控”。呼吸练习、暂停工作或调整作息等建议应是可选的、低风险的,并允许用户说明正在运动、洗澡或经历积极兴奋。算法不得自动调整精神科药物或替代专业评估。
工作场所、学校、保险、执法和照护机构使用具有额外权力风险。不得仅凭推断的压力分数进行绩效处罚、纪律决定、保险定价、测谎或限制服务;对个人权益有重大影响的决定应有合法依据、透明说明、人工复核和申诉渠道。儿童、认知能力受限者及无法自由拒绝的人员需要更严格的必要性和比例性评估。
若软件声称用于疾病筛查、诊断、治疗或临床决策,可能进入医疗器械监管范围,需要按销售地和预期用途确认分类、质量体系、风险管理、临床评价和变更控制。一般健康定位也不能免除真实性、安全性和数据保护责任。采购方应查看性能报告、失败模式、适用人群、数据流、更新政策和退出安排,而不是只比较一个演示准确率。
隐私、安全与全生命周期管理
连续皮电与时间、活动、睡眠、位置或日记组合后,可揭示健康状态、作息和行为模式,可能构成敏感个人信息。应实行目的限定、数据最小化、分层同意或其他合法依据、最短必要保留、最小权限、传输与静态加密、密钥管理、访问审计、备份恢复以及导出、更正和删除机制。删除姓名并不足以匿名化高密度时间序列。
收集原始信号、生成压力画像、用于模型训练、跨产品营销和向第三方共享是不同处理目的,应分别说明。用户拒绝二次用途不应失去与核心功能无关的服务。研究与运营数据要隔离,公开数据集也需核查授权范围和再识别风险;模型、特征缓存和日志可能保留个人信息,删除流程不能只处理主数据库。
上线后应监测信号质量、失败率、校准、群体差异、设备和季节漂移、用户投诉及不良后果,并设置停止使用和回滚条件。自学习或阈值远程更新必须经过受控验证,记录版本、生效时间和影响范围。独立审计应能重放代表性记录并复现结果,同时验证低质量输入确实触发拒绝而非自信输出。
发展方向包括更稳健的伪迹识别、个体化基线、跨设备桥接、多模态不确定性估计和隐私保护学习。进步的标准不是把复杂生理状态压缩成更多小数位,而是更清楚地说明测到了什么、不能推断什么、何时失败以及谁可能受到不公平影响。皮电可以成为压力和睡眠研究的一项辅助信号,但不能单独充当人的心理状态裁判。