MIT汗液生理學統計模型可跟蹤身體皮膚電導的分析
通過考慮汗液生理學,該方法可以更好地利用皮膚電活動來跟蹤身體或情緒狀態下的潛意識變化
通過將電極綁在兩個手指上,研究人員可以讀出汗水產生的皮膚電導變化。這些波動反映出身體或情緒狀態的潛意識變化。一種新的統計結果信號分析方法比以前的方法更快,更準確,因為它基於汗液的生理學。
皮膚電活動(EDA)是汗液誘導的皮膚電導波動,在測謊測試的電視劇中廣為人知。它可以真正有效地指示各種目的的下意識或"同情"神經系統活動,但僅如果進行了最佳分析。在《美國國家科學院院刊》(pnas)上的一項新研究中,一個基於MIT的科學家團隊提供了一種新的,快速且準確的統計模型來分析EDA。
"只有通過觀察信號,EDA才是直觀的,"哈佛大學-麻省理工學院健康科學與技術計劃的研究生,該研究的主要作者桑迪亞•斯伯拉曼尼安(Sandya Subramanian)說。同時,現有的數學分析方法要麼計算模糊了信號瞬時特性的信號平均值,要麼低效地迫使測量結果適合與體內發生的事情無關的信號處理模型。
為了使EDA分析更快,更準確地解釋內部認知狀態(如焦慮)或生理狀態(如睡眠),研究小組尋求了一種與出汗的實際生理相匹配的統計模型。當受到交感神經系統刺激時,皮下腺體會積聚大量汗液,然後在汗水充滿時釋放。Picower研究所愛德華·胡德·塔普林(Edward Hood Taplin)教授艾默裡·N·布朗(Emery N. Brown)說,這種過程稱為"整合併發射",它也是多種自然現象的特徵,例如神經細胞的電脈衝和間歇泉噴發。學習與記憶以及麻省理工學院的醫學工程與科學研究所。
該研究的一個重要見解是認識到,存在一個描述"點火"系統的成熟的統計公式,稱為"逆高斯",可以提供建模EDA信號的原則方法。
"從建立實際的生理模型到使用現成的機器學習已經有了很大的發展,"布朗說,他也是麻省總醫院的麻醉師,也是哈佛大學的教授。"但是我們會錯過一個非常簡單,直接,甚至優雅的描述,這是對人體自主狀態的一種解讀。"
研究小組制定了EDA逆高斯模型,然後與11名志願者一起進行了測試,他們戴著皮膚電導監測儀靜靜地坐著,閱讀或閱讀一小時。觀看了視頻。即使處於"靜止"狀態,人們的思想和感覺仍在徘徊,在EDA信號中產生了大量變化。然而,在對所有11個信號進行分析之後,逆高斯模型與他們的實際讀數緊密匹配。
研究人員稱,該模型能夠解決其他方法通常排除的EDA活性較小的峰,以及信號的"顛簸"程度,如脈衝之間的間隔時間長所示。在這11個案例中的9個案例中,添加了幾個相關的統計模型之一,進一步拉近了高斯逆擬合。
在實際使用中,僅基於逆高斯模型的EDA監視系統可能會立即有用,但也可以通過從受試者的初始讀數中快速對它進行微調,以應用模型的最佳組合以適合原始數據。
作者說,即使有一些模型混合,新方法也將比基本原則較少的分析方法更快,更有效地計算並且易於解釋,因為與生理的緊密耦合僅需改變幾個參數即可保持良好的質量。適合讀數。這很重要,因為如果EDA監控系統的工作是要檢測信號與正常水平的顯著偏差(例如,當有人感到嚴重不適時),則只能根據準確,實時的模型對受試者的狀況進行比較。正常和明顯異常水平。
實際上,下一步工作是在從睡眠到情緒或身體刺激甚至疾病狀態(例如抑鬱症)的更廣泛條件下對受試者進行模型測試。
作者總結說:"我們的發現為將EDA分析擴展到這些更複雜和重要的應用提供了一種原則上的,基於生理的方法。"
JPB基金會,美國國家科學基金會和美國國立衛生研究院為這項研究提供了資金。