定義、訊號對象與用途邊界
皮電壓力分析算法是對皮膚電活動(electrodermal activity,EDA)進行品質控制、分解、特徵提取和建模,以估計交感神經相關喚醒變化,並在限定情境下輔助識別與壓力任務或主觀壓力相關模式的方法體系,歸入 WSIC 4.4.1「睡眠訊號處理算法」。皮電也常被稱為皮膚電導、皮膚電反應或 GSR;規範描述應區分持續變化的皮膚電導水平(SCL)與較短暫的皮膚電導反應(SCR)。
汗腺活動受交感神經調節,因此皮電對喚醒變化較敏感,但缺乏壓力專一性。運動、熱環境、疼痛、驚嚇、認知努力、興奮、藥物、咖啡因和睡眠階段變化都可能產生相似訊號。算法輸出最多是在給定資料、標籤和情境下對某類狀態的機率估計,不能讀心、測謊,也不能只憑一條腕部曲線診斷焦慮症、創傷後壓力症候群、慢性壓力或睡眠障礙。
產品必須先界定預期用途:科研特徵提取、一般健康趨勢、放鬆訓練回饋、照護輔助觀察,還是醫療診斷或治療決策支援。用途不同,所需參考標準、性能門檻、風險控制和監管身分不同。把「壓力指數」改名為「恢復」「平衡」或「能量」不會改變其真實推斷內容,也不能規避對健康宣稱和自動化決策的審查。
感測器、採集條件與訊號品質
實驗室皮電常從掌面或足底等汗腺反應較明顯的位置採集;手腕裝置更便於長期佩戴,卻可能因位置、乾電極、接觸面積和活動而呈現不同的幅度與偽跡。輸入規範應記錄測量方法、施加電壓或電流、單位、感測位置、電極材料與面積、固定方式、皮膚處理、取樣率、量程、解析度、校準、裝置時鐘和韌體版本。不同裝置或位置的絕對數值不能未經橋接驗證直接比較。
環境溫度、濕度、皮膚溫度、出汗、洗浴、乳液、壓力接觸、手腕鬆緊、體毛和皮膚狀況都會改變導電條件。動作、摩擦、短暫脫離、充電摘除、飽和和類比數位轉換故障可產生階躍、尖峰或平坦線。算法應同步活動和溫度等輔助通道,保留原始訊號並輸出佩戴、接觸、飽和、運動和缺失標誌;低品質片段應降權、拒絕或單獨報告,而不是用平滑曲線掩蓋。
採集前需定義穩定時間、基線條件和任務時點。餐食、尼古丁、酒精、咖啡因、藥物、急性疾病、鍛鍊及晝夜時相應記錄在案。長期自由生活採集還要處理時區、夏令時間、手機與裝置時鐘漂移。沒有可靠時間同步,皮電峰與事件、心率、呼吸或睡眠階段的對應關係就可能整體錯位。
預處理、分解、特徵與標籤
典型流程包括時間統一、單位和校準檢查、非佩戴識別、偽跡標記、合理濾波、缺失分段,以及將訊號分解為緩慢的 tonic 成分和快速的 phasic 成分。峰值檢測門檻、反應潛伏視窗、重疊反應處理、基線視窗和分解方法必須版本化。濾波過強可能刪除真實的短暫反應,插補過多則會憑空生成趨勢;原始值、清洗值、插補值和拒絕片段應能追溯。
常見特徵包括 SCL 的平均值、斜率與變異,SCR 的數量、振幅、上升及恢復時間,單位時間峰率,以及時頻、複雜度或模型潛變數。特徵要按視窗長度和有效覆蓋解釋,同一特徵在十秒任務、整晚睡眠和多週趨勢中含義不同。個體間基線差異通常很大,正規化和個體基線可能改善可比性,但也可能把真實群體差異或裝置偏差隱藏起來,因此必須同時保存絕對與相對結果的定義。
「壓力」標籤是最薄弱也最容易被忽略的環節。實驗誘發任務、即時自評、回顧問卷、觀察者編碼、工作日曆、皮質醇或臨床判斷測量的是不同構念,不能混作同一個真值。標籤應有明確時間窗、量表、門檻、缺失規則和標註者資訊;自評與皮電不一致不等於參與者錯誤。訓練集若把任務名稱直接當作生理壓力,模型可能只學到動作、說話或實驗順序。
睡眠情境與結果解釋
夜間皮電不是白天壓力分類器的簡單延長。睡眠期間也會出現自發皮電峰和成串反應,且其分布可隨 NREM、REM、體溫、覺醒和夜內時段變化。腕部研究觀察到許多峰出現在 NREM 睡眠,這說明「峰多」等規則不能直接翻譯為惡夢、焦慮或心理壓力。睡眠階段本身、臥室溫熱、被褥、翻身和腕帶受壓都可能改變輸出。
若目標是研究睡前壓力與睡眠的關係,應把睡前清醒期、入睡過渡、整夜和晨起分開建模,並預先規定壓力標籤與睡眠結局的時間關係。睡前主觀壓力與夜間喚醒相關,不代表皮電介導了這種關係。若目標是睡眠/清醒或階段輔助識別,則應使用同步多導睡眠圖或適當參考標註驗證,不能把壓力任務中的高低喚醒標籤改名後直接使用。
多模態資訊可減少歧義,例如結合加速度、皮膚溫度、心率、呼吸和事件日記區分運動、熱出汗與情境變化,但融合不等於自動獲得特異性。每個通道都可能缺失或含偽跡,模型應說明在何種通道組合下有效、缺失時如何降級,以及皮電究竟貢獻了多少增量價值。系統無法區分多個合理解釋時,應顯示「不確定」或「資料不足」。
面向使用者的結果宜表達為「該時段觀察到高於個人基線的交感喚醒相關皮電模式」,並列出資料品質和可能影響因素。不得把單夜顏色、一個百分數或連續振動提醒包裝成客觀心理事實。若回饋本身引發擔憂、反覆檢查或睡眠焦慮,應允許關閉即時提醒,只保留適度頻率的趨勢回顧。
模型開發、驗證與公平性
資料劃分必須按參與者隔離;同一人的相鄰視窗、同一夜或同一任務片段不得同時進入訓練和測試,否則會因個體基線和時間相似性造成洩漏。開發、調參、內部測試和外部驗證應獨立。驗證應覆蓋預期人群、裝置、佩戴位置和真實部署環境,而不只是在少量健康成人的標準化實驗室壓力任務上獲得高準確率。
性能報告應給出類別定義、樣本與參與者數量、事件基率、靈敏度、特異度、陽性預測值、陰性預測值、精確率召回率、校準、信賴區間和拒絕率,並說明是逐視窗、逐事件還是逐人的評價。類別不平衡時,僅報告準確率會誤導;大量重疊視窗也不能被當作大量獨立參與者。趨勢產品還需測試重複性、最小可檢測變化和個人內一致性。
應按年齡、性別相關生理狀態、皮膚狀況、出汗水平、體型、疾病、藥物、職業任務、氣候、季節、裝置批次和佩戴習慣檢查誤差。沒有反應或反應很弱的人不應被自動判定為「無壓力」,出汗較多者也不應被持續標為高壓力。個體化模型要有足夠、具代表性的校準資料,並明確冷啟動、裝置更換和長期漂移的處理。
外部驗證還應包括運動、通勤、公開講話、安靜專注、疼痛、發熱、睡眠不足和不同情緒價向等混淆情境。與多模態模型比較時,要報告僅用皮電的基線和每個通道的增量價值。模型更新後應在鎖定資料集上回歸測試,門檻、特徵或標籤發生變化時,不應無說明地把新舊分數拼接成長期趨勢。
部署、回饋與安全治理
部署鏈路要保留原始訊號、品質標誌、預處理版本、特徵、模型、門檻和介面之間的資料血緣。端側分析可減少原始資料外傳,但仍需驗證電量、快取、時鐘和韌體差異;雲端分析需監測上傳缺口、重複記錄、租戶隔離和服務版本。系統應設定最低有效覆蓋、連續異常確認、警示冷卻和人工覆核,避免一個運動偽跡觸發壓力干預。
回饋應幫助使用者理解模式而非給人貼標籤。可提供資料品質、個人基線、時間範圍、不確定性和可能混淆因素,不宜用紅色警報或帶道德評價的語言宣稱使用者「失控」。呼吸練習、暫停工作或調整作息等建議應是可選的、低風險的,並允許使用者說明正在運動、洗澡或經歷積極興奮。算法不得自動調整精神科藥物或替代專業評估。
工作場所、學校、保險、執法和照護機構使用具有額外權力風險。不得僅憑推斷的壓力分數進行績效處罰、紀律決定、保險定價、測謊或限制服務;對個人權益有重大影響的決定應有合法依據、透明說明、人工覆核和申訴管道。兒童、認知能力受限者及無法自由拒絕的人員需要更嚴格的必要性和比例性評估。
若軟體聲稱用於疾病篩查、診斷、治療或臨床決策,可能進入醫療器材監管範圍,需要按銷售地和預期用途確認分類、品質體系、風險管理、臨床評價和變更控制。一般健康定位也不能免除真實性、安全性和資料保護責任。採購方應查看性能報告、失敗模式、適用人群、資料流、更新政策和退出安排,而不是只比較一個展示準確率。
隱私、安全與全生命週期管理
連續皮電與時間、活動、睡眠、位置或日記組合後,可揭示健康狀態、作息和行為模式,可能構成敏感個人資訊。應實行目的限定、資料最小化、分層同意或其他合法依據、最短必要保留、最小權限、傳輸與靜態加密、金鑰管理、存取審計、備份恢復以及匯出、更正和刪除機制。刪除姓名並不足以匿名化高密度時間序列。
收集原始訊號、生成壓力畫像、用於模型訓練、跨產品行銷和向第三方共享是不同處理目的,應分別說明。使用者拒絕二次用途不應失去與核心功能無關的服務。研究與營運資料要隔離,公開資料集也需核查授權範圍和再識別風險;模型、特徵快取和日誌可能保留個人資訊,刪除流程不能只處理主資料庫。
上線後應監測訊號品質、失敗率、校準、群體差異、裝置和季節漂移、使用者投訴及不良後果,並設定停止使用和回滾條件。自學習或門檻遠端更新必須經過受控驗證,記錄版本、生效時間和影響範圍。獨立審計應能重放代表性記錄並重現結果,同時驗證低品質輸入確實觸發拒絕而非自信輸出。
發展方向包括更穩健的偽跡識別、個體化基線、跨裝置橋接、多模態不確定性估計和隱私保護學習。進步的標準不是把複雜生理狀態壓縮成更多小數位,而是更清楚地說明測到了什麼、不能推斷什麼、何時失敗以及誰可能受到不公平影響。皮電可以成為壓力和睡眠研究的一項輔助訊號,但不能單獨充當人的心理狀態裁判。