基于机器学习的皮电活动数据中运动伪影自动检测初步研究
信号处理
2021-07-19 v1
摘要
皮电活动（EDA）信号是交感功能的敏感且非侵入性的替代测量。近年来，EDA 在情绪与压力识别、疼痛/疲劳/嗜睡评估、抑郁症与癫痫诊断及其他用途中的应用日益流行。最近，已有若干研究使用动态 EDA 记录，这类记录常对许多生理状况的分析颇有帮助。由于动态监测使用可穿戴设备，EDA 信号常受噪声与运动伪影影响。因此，用于 EDA 信号准确分析与评估的自动化噪声及运动伪影检测算法至关重要。本文中，我们提出基于机器学习的 EDA 信号运动伪影检测算法。我们以十名受试者为对象，在指示其仅移动右手的同时，从左右手采集两路同步 EDA 信号。利用这些数据，我们提出一种基于互相关的无偏 EDA 数据段标注方法。计算了一组统计、频谱与基于特征，随后进行特征选择算法处理。最后，采用留一受试者交叉验证方法训练并验证了若干机器学习方法。所开发模型的分类准确率为 83.85%，标准差为 4.91%，优于我们所比较的近期标准方法。
引用
@article{arxiv.2107.07650,
title = {A Preliminary Study on Automatic Motion Artifacts Detection in Electrodermal Activity Data Using Machine Learning},
author = {Md Billal Hossain and Hugo Fernando Posada-Quintero and Youngsun Kong and Riley McNaboe and Ki Chon},
journal= {arXiv preprint arXiv:2107.07650},
year = {2021}
}