EDA-signaalin automaattinen virheensuodatus

Abstract

Tässä kandidaatintyössä tutkin ihmiskehosta mitatun sähkönjohtavuussignaalin eli EDA-signaalin automaattista virheensuodatusta. EDA-signaali on kytköksissä ihmisen parasympaattiseen hermostoon, joten sen avulla voidaan tulkita ihmisen tunnetiloja ja vireystilaa.

Tavallinen EDA-signaali etenee muutaman sekunnin mittaisissa nousevissa ja laskevissa aalloissa. Tässä tutkielmassa käyttämäni data on kerätty Empatica E4 -rannekkeella, joka mittaa EDA-signaalin lisäksi myös kiihtyvyysdataa. Koska mittalaite asetetaan koehenkilön käteen, se on altis henkilön liikkeiden aiheuttamille virheille. Nämä virheet saattavat näkyä signaalissa sekä nollaan pudonneena signaalina että epätavallisen jyrkkinä piikkeinä.

EDA-signaalin keräämistä, sen ongelmia ja virheensuodatusta on käsitelty kirjallisuudessa ja siihen on esitetty erilaisia ratkaisuja. Tässä tutkielmassa käyn läpi aiheeseen liittyviä artikkeleita ja esittelen muutamia ratkaisuehdotuksia virhepiikkien eli niin sanottujen artefaktien automaattiseksi tunnistamiseksi. Esittelen myös oman ratkaisuni, joka perustuu signaalin pätkien luokitteluun normaaleiksi tai todennäköisesti virheellisiksi muodon ja amplitudin perusteella. Leimoja on neljää eri tyyppiä: 0 — normaalia signaalia; 1 — signaali on pudonnut alle minimiamplitudin; 2 — signaalissa on liikkumisesta johtuva jyrkkä piikki; ja 3 — signaalissa on tuntemattomasta syystä johtuva jyrkkä piikki. Luokittelussa käytetään apuna EDA-signaalin kanssa samanaikaisesti kerättyä kiihtyvyysdataa. Analysoitu ja luokiteltu signaali esitetään graafisesti väriä leiman mukaan vaihtavalla viivalla.

Esittelen lyhyesti ohjelmani tuottamia tuloksia ja arvioin niiden oikeellisuutta. Lopuksi esitän ehdotuksia siitä, kuinka työtä voisi jatkaa, ja arvioin ratkaisematta jääneitä ongelmia.

This is a bachelor’s thesis on automatic detection of artefacts in EDA signal (Electodermal Activity). EDA measures electrical characteristics of human skin. These characteristics are connected to the parasympathetic nerve system and thus they reflect emotions and arousal of the person being monitored.

My data is collected using Empatica E4 wristband and it consists of several hours of EDA and acceleration data from three different days. Wristbands are liable to errors due to rapid movement of the test person, and these errors can be seen in the signal as steep peaks or very low amplitude level.

Filtering these errors from EDA signal has been discussed in several articles, many of which also provide solutions to this problem. In this thesis I present some of these articles. I also suggest my own solution, which is a Python program that measures amplitude and derivative of the signal. Concurrently gathered acceleration data is used in determining whether the signal is erroneous due to rapid movements of the test person. Every sample of the signal is being labeled based on these properties. There are four different labels: 0 — normal signal; 1 — amplitude of the signal is too low; 2 — fast change in signal level due to movement of the test person; and 3 — fast change in signal level due to unknown reason. The program creates metadata, which contains information about proportions of the different labels. Lastly, labeled signal is presented as a multicoloured line.

After discussing my methodology I present and assess the results yielded by my program. In the last section I discuss unsolved problems and propose possible themes for future work.