eda

# 皮肤电活动 (EDA) 分析 ## 概述 皮肤电活动 (EDA)，也称为皮肤电反应 (GSR) 或皮肤电导 (SC)，测量皮肤的电导率，反映交感神经系统的唤醒和汗腺活动。EDA 广泛应用于心理生理学、情感计算和测谎。 ## 主要处理工作流 ### eda_process() 原始 EDA 信号的自动化处理，返回紧张/相位分解和 SCR 特征。 python signals, info = nk.eda_process(eda_signal, sampling_rate=100, method='neurokit') **工作流步骤：** 1. 信号清洗（低通滤波） 2. 紧张-相位分解 3. 皮肤电反应 (SCR) 检测 4. SCR 特征提取（起始点、峰值、振幅、上升/恢复时间） **返回值：** - `signals`: 包含以下内容的 DataFrame： - `EDA_Clean`: 过滤后的信号 - `EDA_Tonic`: 缓慢变化的基线 - `EDA_Phasic`: 快速变化的反应 - `SCR_Onsets`, `SCR_Peaks`, `SCR_Height`: 反应标记 - `SCR_Amplitude`, `SCR_RiseTime`, `SCR_RecoveryTime`: 反应特征 - `info`: 包含处理参数的字典 **方法：** - `'neurokit'`: cvxEDA 分解 + neurokit 峰值检测 - `'biosppy'`: 中值平滑 + biosppy 方法 ## 预处理函数 ### eda_clean() 通过低通滤波去除噪声。 python cleaned_eda = nk.eda_clean(eda_signal, sampling_rate=100, method='neurokit') **方法：** - `'neurokit'`: 低通 Butterworth 滤波器（3 Hz 截止频率） - `'biosppy'`: 低通 Butterworth 滤波器（5 Hz 截止频率） **自动跳过：** - 如果采样率 < 7 Hz，则跳过清洗（已是低通） **原理：** - EDA 频率内容通常为 0-3 Hz - 去除高频噪声和运动伪影 - 保留缓慢的 SCR（典型上升时间 1-3 秒） ### eda_phasic() 将 EDA 分解为紧张（缓慢基线）和相位（快速反应）成分。 python tonic, phasic = nk.eda_phasic(eda_cleaned, sampling_rate=100, method='cvxeda') **方法：** **1. cvxEDA (默认，推荐)：** python tonic, phasic = nk.eda_phasic(eda_cleaned, sampling_rate=100, method='cvxeda') - 凸优化方法 (Greco et al., 2016) - 稀疏相位驱动模型 - 生理上最准确 - 计算密集但分解效果优越 **2. 中值平滑：** python tonic, phasic = nk.eda_phasic(eda_cleaned, sampling_rate=100, method='smoothmedian') - 具有可配置 w 的中值滤波器