基于卡尔曼滤波归一化皮电反应（GSR）分析的穿戴式系统实时压力量化研究

本文推荐了一项创新研究：开发了一种基于皮电反应（GSR）的便携式压力检测系统。该系统融合卡尔曼滤波（Kalman filter）算法进行噪声抑制，并采用动态范围归一化技术将信号转换至0-500的个性化标度。通过与心理学家合作建立的分类标准，其在超过5000个样本的测试中展现出高准确性（93.1%），为实时、个性化的压力管理提供了可靠工具。

　　

引言

压力是一种由日常挑战引发的担忧或精神紧张状态，是一种不可避免的心理社会因素，显著影响人类生活、心理状态和整体身心健康。它可以被分为积极压力（eustress）和消极压力（distress），二者均由日常生活中的压力源触发。过度的消极压力会对个人的本能和能力产生负面影响。全球范围内承受高压力水平的人数持续增加，亟需能够在压力导致严重健康后果之前对其进行检测的设备。本研究专注于开发一种精确的皮电反应（Galvanic Skin Response, GSR）系统，以有效识别和分析压力水平。

方法论与算法

研究的核心在于构建一套完整的算法流程，以实现对GSR信号的精确处理与压力水平的准确分类。

数学建模与算法设计

GSR信号首先从传感器获取为一个12位的模拟值（0–4095），随后被映射到一个10位的尺度（0–1023）以供后续处理，其映射公式为：A_10bit = (A_12bit × 1023) / 4095。

为抑制信号中的噪声，研究采用了卡尔曼滤波器（Kalman filter）。该过程通过计算卡尔曼增益（K_G = E_p / (E_p + E_m)）、更新状态估计（X_est = X_est + K_G × (Z - X_est)）以及更新误差估计（E_p = (1 - K_G) × E_p）来平滑GSR信号。

经过滤波的GSR值会基于预先校准的基线进行调整：GSR_cal = GSR_filt - C_offset。随后，通过动态范围归一化技术，将校准后的值转换为一个统一的、针对个体基线值定制的0至500范围内的值，其计算公式为：GSR_norm = constrain( map(GSR_cal, B_min, B_max, 0, 500) )。

根据归一化后的GSR值（GSR_norm），压力水平被分类为：

• •

  无压力：GSR_norm ≤ 200

• •

  轻微压力：200 < GSR_norm ≤ 300

• •

  高度压力：300 < GSR_norm ≤ 400

• •

  极高压力：400 < GSR_norm ≤ 500

算法实现

整个系统算法在微控制器上实现，其流程包括初始化显示和网络连接、循环读取传感器数据、应用卡尔曼滤波和归一化计算、将数据发送至云平台（ThingSpeak）、根据GSR_norm值确定压力等级、并在OLED显示屏上实时显示结果和压力判定。系统设计为每500毫秒一个采样周期，确保实时反馈。

设计选择 rationale

研究团队在算法设计上做出了明确的选择。尽管当前文献中越来越多地探索使用机器学习和深度学习模型以获得更高的分类准确度，但这些方法通常需要显著更高的计算能力、内存和能耗，这与开发便携、低成本、低功耗设备的目标相悖。因此，研究有意避免了这些复杂模型，转而采用计算简单、内存占用少且易于在低功耗微控制器上实时处理的卡尔曼滤波器。动态范围归一化的使用则有效解决了个体间生理差异带来的挑战，无需复杂的持续用户分析或再训练，保证了设备的即插即用性。

实验设置与挑战

研究构建了一个完整的硬件系统，其核心组件包括：

• •

  传感单元：采用GSR传感器模块，通过专用电探针测量手指间的电导率。

• •

  显示单元：采用OLED显示屏，以其高对比度和能效实现参数的实时可视化。

• •

  通信单元：微控制器集成了2.4GHz Wi-Fi模块，支持通过HTTP协议进行无线数据传输至ThingSpeak云服务器，并具备蓝牙低功耗（BLE）功能以备未来扩展。

• •

  控制器单元：系统核心是XIAO ESP32-C3微控制器，负责执行所有算法和系统管理。其集成的Wi-Fi、低功耗特性以及400KB SRAM和4MB Flash的内存配置满足了系统需求。

在硬件实现过程中，团队面临并解决了一系列挑战，例如在微控制器选型上平衡处理能力、尺寸和功耗，最终选择了XIAO ESP32-C3；确保了传感器在长期使用时的舒适性和准确性；并为实时监控选定了紧凑、低功耗的OLED显示器。

性能指标制定

系统的准确性建立在GSR传感器用于评估人类压力水平的公认可靠性之上。其评估参考了现有研究的基准值。

校准与精度测量

为确保读数精确，Grove GSR传感器需要进行校准，通过调整板载电位器来建立传感器未接触皮肤时的基线读数。皮肤电阻（单位：欧姆）与传感器模拟读数之间的关系可通过公式近似表示：R_skin = (1023 + 2 × Serial_Port_Reading) × 10000 / (Serial_Port_Reading + 2 × Serial_calibration - 1023)。通过对此电阻取倒数，即可得到皮肤电导。

响应时间与实时适用性

系统的响应时间（即传感器检测皮肤电导变化并反映在测量输出中的速度）是关键性能指标。该系统被设计为在500毫秒的采样周期内提供实时更新，包括传感器读取、卡尔曼滤波、归一化、OLED输出和HTTP传输到ThingSpeak。经过50个周期的重复计时测试，平均响应时间（从传感器输入到OLED和云更新完成）测量为423 ± 20毫秒，确保证了亚秒级的反馈，适用于实时压力监测应用。

结果与观察

研究结果基于大量实验数据。为进行图形化表示，团队收集了32位受试者的即时数据，每人提供20个样本，共计640个样本。根据归一化GSR值（GSR_norm），受试者被分为上述四个压力等级。部分数据示例显示了不同压力水平个体的读数。

为评估压力检测方法的有效性，团队与心理学家合作，让32位受试者在正念训练期间接受压力测试。结果非常显著：无论初始压力水平如何，所有参与者的GSR值在正念和深呼吸训练后均显著下降。这证明了该系统能够实时、科学地评估心理训练（如正念和深呼吸）减轻压力的效果。数据显示，训练后，极高压力者降至高度压力，高度压力者降至轻微压力，而轻微压力者则降至无压力水平。

用户界面与可访问性

该系统的用户友好界面是其关键优势之一。压力水平实时显示在OLED屏幕上，允许用户即时监控。此外，系统支持无线数据访问，确保可以通过智能手机、平板电脑或其他联网设备进行无缝跟踪。直观的布局和清晰的视觉指示使其对经验丰富和新手用户都易于使用。

性能度量

对系统性能的详细评估产生了以下结果：

• •

  校准与精度曲线：展示了串口读数与人体皮肤电阻之间的理论关系，支持了所有640个采集样本的系统精度。

• •

  验证准确性比较：条形图将本研究提出的系统（基于640个样本）的压力分类准确性与两个基准GSR研究进行了比较。本方法达到了93.1%的准确率，并得到了心理学家辅助标签的验证。

• •

  响应时间分布：超过50次实时试验的测量结果可视化显示了系统响应时间，平均延迟423 ± 20毫秒，证实了在所有测试环节中都能提供可靠的亚秒级压力反馈。

• •

  实时延迟分解：分解图显示了每个内部处理阶段（采样、滤波、显示和云传输）对总系统延迟的贡献，反映了其嵌入式、低延迟部署的 readiness。

未来影响

该系统能够追踪长期进展，提供关于心理训练随时间推移带来益见的见解。未来计划整合多传感器融合（例如，GSR与心率和运动相结合）以提高准确性和情境感知能力。此外，还将探索轻量级机器学习模型，以在资源受限的硬件上保持实时性能。

与现有研究的比较评估

为证实所提出的GSR压力监测设备的有效性，研究将其与文献中五个被广泛引用的系统进行了结构化比较，重点关注硬件选择、信号处理方法、数据分析技术和整体实用性。比较表明，本系统在准确性、个性化、实时监测和验证规模方面超越了先前的工作。

观察性评估指出，先前的研究存在各种局限性，例如缺乏噪声过滤和校准、硬件复杂且不易复制、未考虑环境因素、依赖特定设置（如NFC）且缺乏实时显示，或者数据集有限且硬件复杂。相比之下，本研究采用标准GSR模块和XIAO ESP32-C3，通过算法处理确保便携性、成本效益和准确性，并已在心理学家协作下对5000多个样本进行了验证，提供了更强大的临床验证和更简单的设计。

结论

本研究成功开发了一种基于GSR原理的便携、准确、经济且用户友好的压力检测设备。通过利用高效的微控制器、传感器和显示单元，并结合先进的算法和过滤技术（如融合卡尔曼滤波、归一化和自适应分类的混合算法），系统确保了测量的稳定性，考虑了个体生理差异，并在一个紧凑的袖珍设备中提高了压力水平评估的准确性。该系统设计用于实时场景，能够与专业人士协作提供准确的压力数据。其简单性和多功能性使得压力水平可以在多个无线显示器上进行监控和显示。鉴于压力相关的健康和心理问题日益普遍，该系统为压力管理提供了一个及时有效的解决方案。未来的系统增强可能包括集成更多传感器，如心率和SpO₂监测器，以提供更广泛的功能。