为了进一步检验这一点，我们使用了收集的数据，并探讨了不同总体EDA水平的影响。如前所述，具有去除的信号损耗周期和S-G滤波的EDA信号通过用比例因子2、4和8划分原始信号而被缩小。EDA Explorer用于从原始数据和缩放数据中检测伪5-s片段。可以选择两种不同的检测模式：二元分类（伪数据与干净数据）和多类分类（伪/可疑/干净数据）。图8a显示了一个EDA跟踪示例，其中包含EDA Explorer标记的伪段和可疑段，用于不同的降尺度因子。该图显示，该工具倾向于将高EDA值标记为artifactive，将低值标记为clean。它还显示出对缩放因子的强烈依赖性，其中当按因子8缩小时，信号被认为几乎完全干净。通过向下移动信号来缩小信号后，也获得了类似的结果，从而获得了16、8、4和2μS的平均值（图8b）。

保存图片、插图等的外部文件。

对象名称为sensors-20-05380-g008.jpg

图8

EDA Explorer标记的伪（红色）和可疑（蓝色阴影）片段的示例，其中包含缩小因子的变化和按特定级别重新缩放；（a） 缩小后的片段（无缩放，2，4，8）和（b）重新缩放至16，8，4，2μS后的片段。

尽管缩小尺度可以缓解过度伪影标记的问题，但很难定义合适的缩放因子。更重要的是，结果对总体EDA水平的依赖性令人担忧，因为个体之间的EDA水平存在很大的自然变化。使用基于规则的方法[41]的替代可用工具也面临着为伪影检测定义适当阈值的困难。对于我们的数据，我们没有部署自动工具来检测工件。

第3.2.3节的注意事项和建议：在部署可用的自动工具时忽略信号特性可能会导致不必要的误解。盲目使用具有默认参数的可用工具进行自动伪影检测可能会产生强烈且不正确的结果，这取决于参与者、记录设备和应用程序。仍然有必要通过视觉检查来验证产生的伪影结果，并调整方法的参数，以更好地拟合来自其他参与者、设备和环境的信号。

3.3一般模式图10

EDA、HR和加速度计数据在50分钟课程中的标准化特征。阴影区域代表SD/N−√，其中EDA和加速计的N=85名参与者，HR的N=80名参与者。

可以想象，学生们在最初的5-10分钟内安定下来了。EDA和HR活动急剧下降，这与之前在学校观察到生理信号的研究非常一致[23]。这段时间包括大量的身体运动，加速度计数据证明了这一点，预计这是由于参与者切换教室。同样，我们观察到之前报道的[23]在课堂的最后十分钟内生理信号和加速度计衍生的运动增加。

图10显示，在最初的下降之后，EDA特征从课程的第20分钟开始增加，也就是在课程结束时的运动负荷期之前。同时，HR继续下降（与之前的研究结果一致[23]），直到结束前10分钟，HR再次开始上升。加速度计数据显示的运动在结束前10-15分钟也会增加。总之，这些模式表明，虽然运动和HR是相当严格的耦合，但运动和EDA之间没有如此严格的耦合。20分钟后EDA的增加可能是由于心理过程，如工作量或参与度增加引起的唤醒。

请注意，虽然上述数据没有显示运动和EDA之间的强耦合，但我们确实预计会有一些耦合，特别是因为运动增加了皮肤和电极之间不同接触的机会（见[56]）。为了进一步探索运动、EDA信号和伪影之间的关系，我们还在归一化尺度上计算了峰值数量与其他特征之间的Spearman相关性。我们发现，具有较高振幅（>1μS）的峰值数量与EDA原始信号的平均值（rho=0.523）、相位平均值（rho=0.873）和峰值振幅平均值（ρ=0.835）相关，而与加速度计数据的相关性较低（rho=0.0261）。然而，当包括中等大小的峰值（>0.05μS）时，和峰值振幅平均值分别降至0.364、0.579和0.472，而每分钟总峰值的数量与加速度计数据的相关性显著增加（rho=0.403）。当包括所有峰值（没有最小峰值高度阈值）时，与其他EDA特征的相关性进一步降低，同时与加速度计的相关性更强。因此，小峰值的存在降低了峰值数量与其他EDA特征之间的相关性，同时增强了与加速度计数据的相关性。这些结果表明，运动会产生小到中等大小的峰值伪影，而不是高峰。因此，在使用EDA探索心理和认知状态时，应该更加关注较高的峰值。

为了检验去除信号丢失周期和数据平滑的好处，我们计算了三种不同模式下信号的特征：原始信号、信号丢失周期去除后的信号和S-G滤波信号（以及信号丢失周期的去除）。图11显示了这些预处理过程会影响总体平均值，但不会随着时间的推移影响数据模式。当使用规范化值时，程序的效果不足也清楚地表明了这一点（图11的底行）。这表明，至少当在课堂上使用EdaMove 4时，并在85名参与者中进行平均，由于电极松动和量化误差导致的伪影不一定会影响感兴趣的特征模式。

为了探索从在校学生身上观察到的一般模式，我们可视化了在课堂上随时间变化的EDA（在信号丢失期去除和S-G滤波信号之后）和HR特征是如何展开的。上课时间——两所学校都是50分钟——分为10个5分钟的时段。对于一些罕见的包含两个连续50分钟时段的课程，我们将第一节课的前25分钟和第二节课的最后25分钟串联起来。对于每个5分钟的时段，我们对每个参与者的特征进行平均，并计算所有参与者的总平均值。图9显示了结果。

保存图片、插图等的外部文件。

对象名称为sensors-20-05380-g009.jpg

图9

EDA、HR和加速度计数据在50分钟课程中的特点。阴影区域代表SD/N−√，其中EDA和加速计的N=85名参与者，HR的N=80名参与者。

为了减少参与者之间的可变性和SCL个体长期漂移的影响，我们还通过平均值和SD标准化每个类别的特征来计算每个参与者的z分数。然后对参与者的z得分进行平均。这些归一化信号的结果如图10所示。