学习分析中情绪的生理数据表征——皮肤电反应的应用前瞻

韩 颖 董玉琦 毕景刚



学习分析中情绪的生理数据表征——皮肤电反应的应用前瞻

韩 颖1,2董玉琦2毕景刚1

（1．吉林师范大学 教育科学学院，吉林四平 136000；2．上海师范大学 教育学院，上海 200234）

真实情境中学习者情绪状态的测量与分析是学习分析中必不可少的内容。生理数据具有客观性、实时性、精确性等特点，是情绪研究中重要的测量方法。文章对生理数据的表征——皮肤电反应及其相关内容进行了梳理，介绍了皮肤电反应在教学中应用的研究情况，并结合案例进行了分析。基于生理数据的情绪研究为学习分析提供了学习者生理层面与心理层面的数据，呈现了更加全面、立体、精确的学习者信息，有利于为学习者提供更具适应性和个性化的学习服务。

情绪；皮肤电反应；生理数据；学习分析

引言

学习分析技术能够从海量数据中提取隐含的、潜在的信息，通过对数据的处理，全面深刻地认识学习过程，同时为学习者提供更加智能、个性的学习策略[1]。例如，多模态学习分析方法利用多模态生物识别技术从不同层面追踪学习过程，包括追踪学习者外显行为数据以探知和诊断内隐的认知活动，追踪学习者脑电、皮肤电、激素分泌等生理数据以探究学习者的情绪变化。行为层、心理层与生理层数据构成了学习者完整的学习大数据。学习科学的引入给传统教育教学研究带来了新气息，使研究增加了科学验证的可能[2]。

测量技术的进步与发展给情绪研究带来了重大突破，基于生理数据的情绪测量使研究者能够真实地追踪人的生理变化，探测情绪的生理机制，将情绪研究从猜测转向实证、由模糊趋向清晰，也使人类对学习的了解与理解更加全面、细致与深入。学习科学、教育神经科学、脑认知、传感技术以及终端技术的发展，使基于生理数据的学习行为与学习情绪研究成为学习分析研究的趋势[3]。人类的生理信号由自主神经系统控制，不易受主观意志控制，因此生理数据更具鲁棒性、客观性。同时，测试所用传感器佩戴起来更加舒适、便携，对被试的干扰较小，具有实时性、非损伤性、非侵入性等优势。生理数据的测量与研究已广泛应用于心理障碍矫治、临床疾病治疗、航空训练、国防、司法、商业等各个领域。

本研究以皮肤电反应作为情绪的生理数据表征，从皮肤电的反应机制出发，分析皮肤电反应的测量与分析方法，探索基于皮肤电反应的情绪分析方法，以期为后续研究情绪测量、干预等提供方法论基础。

二 皮肤电反应的反应机制

在日常生活中，社会情境、自身适应等因素使人们时刻体验着自身情绪的变化。当个体受到情绪性信息刺激或机体处于某种情绪状态时，自主神经系统内部会发生一系列的生理变化，生理唤醒水平和器官激活程度都会明显地不同于常态生理节律[4][5][6]。人在情绪唤醒的状态下，汗腺分泌活动会受到情绪状态的影响。人类手掌被认为是“精神出汗区”，不同于身体其它部位的体温调节出汗，汗腺功能主要对精神性活动或感觉刺激反应敏感，情绪越紧张或越兴奋，排汗越多[7]。当汗腺被激发并变得更活跃时，它们会通过毛孔向皮肤表面分泌汗液。分泌液中正离子与负离子的平衡被打破时，电流更容易流动，导致皮肤电导产生变化，且变化可被测量。皮肤电导的变化被称为皮肤电反应（Galvanic Skin Response，GSR）[8]。如当人处于紧张情绪时，汗液分泌增多，微量电流经过汗液时遇到的阻力变小，皮肤电流增加[9]。因此，可以用微量电流经过皮肤所遇到的阻力来测定自主神经系统的情绪反应。皮肤电信号随着情绪的不同有明显的变化[10]，同时因为受自主神经系统控制，皮肤电反应指标的强度和速度等不易受人的主观调控的影响，因此许多做过皮肤电反应研究实验的心理学家均认为皮肤电反应可以作为测量情绪的生理指标。

三 皮肤电反应的数据采集、处理与分析方法

1 测量方法

测量皮肤电的方法有两种：一种是使用弱电流通过皮肤，测量电流通过时出现的电阻。该方法于1888年由Fere首先使用，称为体外法，即对皮肤施加直流电或交流电[11]。第二种于1889年由Tarchanoff首先使用，测量皮肤表面的电活动，不施予外电流，称为体内法。体外法已经改进成为现今所用的皮肤电导的测量方法，即施加较低的恒定电压，测量电极之间的电压差、报告皮肤电导数据；而体内法仍被用来测量皮肤电势或电位量。

2 测量部位

目前，广泛使用的测量方法是在两个皮肤接触点之间施加较低的恒定电压，使其产生电流流动，通过传感器非侵入性地测量皮肤电导的变化[12]。人体几乎所有部位都有汗腺，但某些位置尤其是手指、手掌、脚底对情绪刺激的反应更为强烈，因此这些部位都是比较敏感的采集点：①手指记录——如果被试手是静态的（如看图像或视频时），通常将传感器连接在非优势手的食指与中指上；②手掌记录——如果被试必须使用双手（如操作键盘），可以使用电极贴纸粘在手掌上两点（如图1所示）；③脚部记录——如果被试必须频繁地使用手进行操作或交互，可将传感器连接到脚的内侧（如图2所示）。由于鞋底在站立或行走时受到压力的影响，应确保将传感器放置在脚内侧的中间位置。

图1 手指与手掌应测量部位[13]

图2 脚部测量部位

3 GSR原始信号组成

GSR信号主要由缓慢变化的基础（Tonic）活动——皮肤电导水平与快速变化的相位（Phasic）活动——皮肤电导反应组成，如图3所示。

图3 皮肤电反应组成结构[14]

图4 SCR、SCL与GSR峰值关系

（1）皮肤电导水平（Skin Conductance Level，SCL）

SCL是无任何环境激励下的皮肤电导基线，在几十秒至几分钟内变化缓慢、更替微小。SCL的上升与下降随着个体的反应、皮肤干燥程度或自主调节能力不同而持续变化。皮肤电导基础水平存在个体差异，并与个性特征相关：基础水平越高者，越倾向于内向、紧张、焦虑不安、情绪不稳定、反应过分敏感；而基础水平越低者，越倾向于开朗、外向，心态比较平衡、自信，心理适应较好。因此，不同的个体在不同的时间段，其皮肤电位会有所不同[15]。

（2）皮肤电导反应（Skin Conductance Response，SCR）

相位反应在基础水平之上，变化幅度更高、速度更快，以“GSR突发”或“GSR峰值”的形式显示（如图4所示）。SCR对特定的情绪刺激事件敏感，事件相关皮肤电导反应（ER-SCRs）会在情绪刺激发生后的1～5秒之间突发；非特异性皮肤电导反应（NS-SCRs）则在人体内以1～3分钟的速率自发发生，与任何刺激无关（如图5所示）[16]。

图5 皮肤电反应曲线

图6 SCR指标表征

皮肤电导信号由缓慢变化的SCL组成、由分开的相位SCR叠加。在分析GSR数据时，主要关注事件相关SCR（ER-SCR），因为它们直接测量被试者的唤醒和参与程度。单个SCR通常有四个指标表征（如图6所示）：①延迟，从刺激开始到相位发生的持续时间。通常，由刺激引发的SCR出现于刺激出现后的1～3s或1～5s内，起始点通常设置为GSR曲线超过最小幅度标准（0.01或0.05μS）的时间点[17][18]。在此期间之前发生的变化通常被定义为NS-SCR，认为不是由实验操纵引起的。②峰值振幅，SCR开始（低谷）到高峰之间的幅度差值。③上升时间，从SCR开始到SCR峰值的持续时间。④恢复时间，从峰值到振幅恢复的时间。SCR开始时可能相当陡峭，但恢复通常更平坦，需要更长的恢复时间。原始GSR信号在峰值前后并不是完全平坦的，会因为基础水平的个体差异或运动等产生的噪音而出现波动。另外，几个峰值可以连续发生，导致GSR信号的叠加（或上升），而不是回到基础水平。

4 数据处理

（1）降采样

降采样即减少单位时间（秒）中采集样本的数量。GSR信号在采集时的采样频率通常比实际要求高得多，因此，在处理时可以对数据进行降采样，这样既便于处理又不会影响到数据的重要信息。如果GSR数据以100Hz（即每秒100个样本）进行采集，可以将采样频率降至10Hz（每秒10个样本）或更低[19]。

（2）滤波

使用滤波器可以“平滑”GSR曲线，以消除与刺激产生的唤醒或高振幅“峰值”无关的信号的基础水平。以中值滤波为例，具体方法为：首先对数据进行采样，然后以当前样本为中心、以相等的时间间隔（如±4秒）计算周围样本的中值数，最后从当前样本中减去中值数，结果中仅留下相位信号，如图7所示。

图7 GSR相位信号

图8 峰值检测

（3）峰值检测

首先在相位数据中查找峰值开始位置（>0.01μS）和结束位置（<0μS），然后在原始的未经过滤的GSR数据中找到对应的每一对开始与结束位置，在开始与结束中间的曲线中查找GSR最大值，即为GSR峰值。峰值幅度为峰值的振幅减去起始振幅，如图8所示。

（4）极值标准化

采用最小—最大标准化方法对GSR原始曲线进行线性变换，将结果映射到[0, 1]区间，使原始数据转换为无量纲的纯数值，让数据具有一定的可比性，以便进一步分析数据的属性。首先将GSR原始曲线进行低通滤波，然后作平滑曲线处理，之后进行极值标准化处理。

5 数据分析

（1）峰值发生率

数据经过处理可以得到每个测量对象的GSR峰值数量，之后可进一步计算在测量期间的峰值发生率（Peak Occurrence，PKO），即单位时间内发生的峰值次数。该数值表明被试在测量期间情绪波动情况。通过峰值发生率的比较，可以得出不同测量对象面对相同刺激时情绪波动的差异，或同一测量对象面对不同刺激的情绪波动差异。

（2）极值标准化均值

GSR原始曲线进行极值标准化处理后，可以通过计算每个测量对象的平均值，将不同基础水平的被试进行比较，衡量生理唤醒度水平的差异。

四 皮肤电反应在教学中的应用研究

1 前期国内外相关研究

日本教育界率先将人体生理信息的自动测量和分析技术应用于课堂教学的研究，如福井大学堀忠雄对听课时学生的皮肤电反应规律进行了研究[20]；本间明信[21]运用GSR测量不同学科课堂中幼儿、大中小学生的情绪，并对音乐课合唱、国语课朗读、体育课体操、理科实验等进行了细致深入的研究，发现了GSR的集体反应现象、集团间相互作用、开关现象、个体反应类型、学生GSR反应与师生间行为的对应关系等成果。在我国，董玉琦[22]运用GSR测量学生在课堂学习时的生理指标，同时用摄像机记录学生的表情，两者结合研究学生的情绪变化，发现了学生的GSR变化与表情有较好的对应性，教师的说明、提问、警告及指示等行为也会导致学生情绪的变化；黎加厚[23]、吴中江[24][25]等开展了一系列有关学生对电视节目的皮肤电反应规律的研究。

早期国内外学者运用GSR测量学生在课堂学习中情绪的变化，分析方法主要采用直观分析法。随着测量仪器、分析软件、计算方法的发展与进步，对GSR数据的处理与分析、对情绪变化的理解已更为全面与深入。

2 案例分析

（1）被试

本研究从吉林省C市某小学三年级中选取两个班级C1、C2，根据数学成绩从学优、学困两个层次中分别抽取男、女学生各一名，在真实的数学课堂中测量这4名被试的皮肤电反应情况。

（2）施测过程

在数学课堂上实施了多次测量。每次测量时，两个班级的测量时间均安排在上午9～11点之间，且在同一间教室内分别使用电子书包学习相同的数学内容。两个班级的物理环境（如教室、桌椅、设备等）、教师、学习内容、学习资源等均相同，但在学习方法上存在差异：C1班采用传统的接受式学习，学生以听为主；C2班采用探究式学习，教师以问题引导学生主动探究。

（3）结果

对4名被试在多次课堂学习过程测量所得的GSR数据进行处理与计算，结果如表1所示。

表1 四名被试的GSR数据

注：P代表PKO（峰值发生率），M代表Mean SCL_nor（SCL极值标准化均值）。

①从性别角度分析：两个班级中男、女学生被试的峰值发生率、SCL极值标准化均值都存在差异，但相关数据未显示出在课堂学习过程中性别对情绪存在规律性影响。

②从学习内容角度分析：学习同一课程内容时，同一班级中两名被试的峰值发生率、SCL极值标准化均值存在差异；在学习不同课程内容时，同一个学生的峰值发生率、SCL极值标准化均值也不相同。数据表明，在同一个群体中、学习相同内容时，不同个体的情绪波动情况和生理唤醒度存在差异；在同一群体中、学习不同内容时，同一个体的情绪波动和生理唤醒度也存在差异。

③从学生成绩水平角度分析：5次测量所得数据的分析结果显示，与学优生相比，学困生的峰值发生率和SCL极值标准化均值数据有高有低，但学困生数据低于学优生的次数偏多。从“均值”数据来看，学困生的峰值发生率和SCL极值标准化值均低于学优生。成绩水平相同的被试分别处于不同的班级中，但其GSR数据呈现出相同的现象，即学困生的情绪波动少于学优生、生理唤醒程度低于学优生。

④从学习方法角度分析：两个班级在学习过程中使用的学习方法不同，通过课堂观察发现：C1班学生以被动听课为主，电子书包只是书本的替代，课堂气氛比较平静；C2班学生使用电子书包进行探究学习，学习活动中讨论、辩论、评价较多，课堂气氛热烈。测量数据（表1）显示：C2班2名被试峰值发生率的平均值低于C1班2名被试，而SCL极值标准化均值的平均值高于C1班被试，即C2班被试的情绪波动少于C1班被试，而生理唤醒度高于C1班被试。

（4）讨论

根据以上数据分析，本研究得出以下结论：①在同一班级环境中，男女学生在情绪波动与生理唤醒程度上均存在个体差异；在不同的课程内容学习过程中，同一个体的情绪波动与生理唤醒存在差异；研究中尚未发现性别因素对情绪存在规律性影响。②在不同学习方法的课堂中，两个班级学优生的情绪波动与生理唤醒度均高于学困生。③不同的学习方法对学生的情绪有不同影响；C2班2名被试的生理唤醒度要均高于C1班被试，而情绪波动低于C1班被试，即C2班被试与C1班被试相比，其情绪处于高唤醒状态且情绪波动较小。

本研究中发现学优生的情绪波动与生理唤醒程度均高于学困生，该现象是仅出现在使用电子书包学习的课堂中的特殊现象，还是在常规课堂学习中也存在的普遍现象？这种现象能否说明学优生在使用新技术（如电子书包）学习时的情绪反应比学困生更为敏感？学习方法对学生的学习情绪存在影响，那么不同的情绪反应对学生的学习存在什么影响？何种情绪反应有利于学习效果的提升？这些问题还需要在今后的研究中进一步探索。

五 结束语

当刺激材料引发被试情绪变化时，GSR对被试的潜意识唤醒程度的测量提供了非常有价值的数据。然而，如果仅仅依靠GSR数据，很难分辨生理唤醒是由于积极刺激还是消极刺激引起的，因为积极与消极刺激均可导致生理唤醒、引发GSR峰值的增加。GSR是探察情绪唤醒度的理想指标，但无法揭示情绪的效价（即正性情绪或负性情绪）。GSR与其它数据来源相结合，如眼动追踪（Eye Tracking）、面部表情分析（Facial Expression Analysis）、脑电图（Electroencephalogram，EEG）分析、肌电图（Electromyography，EMG）分析、心电图（Electrocardiogram，ECG）分析等，才能充分发挥其价值，测量复杂的因变量并描绘情绪的全貌。每种生理指标解释了人类认知、情绪和行为的一个特定方面，根据研究问题将GSR与其它生理数据结合，可以获得对情绪的唤醒与效价、认知、注意力和动机之间复杂关系的了解。

借助各类可穿戴设备，在不干扰学习者的情况下，在学习者熟悉的境脉中以非侵入的方式采集学习者的生理数据，可以即时、动态地分析学习者的情绪状态。多模态生理数据可以量化学习者在学习过程中的情绪体验，为情绪分析提供“真实”数据，使学习者情绪状态的实时识别、学习资源的自适应调整成为可能。基于生理数据的情绪研究为学习分析提供了学习者生理层面与心理层面的数据，呈现了更加全面、立体、精确的学习者信息，有利于为学习者提供更具适应性和个性化的学习服务。

[1]顾小清,刘妍,胡艺龄.学习分析技术应用:寻求数据支持的学习改进方案[J].开放教育研究,2016,(5):34-45.

[2]任友群.学习科学会给教育带来什么[N].中国教育报,2008-9-27(3).

[3]张琪,武法提.学习分析中的生物数据表征——眼动与多模态技术应用前瞻[J].电化教育研究,2016,(9):76-81.

[4]Ekman P, Levenson R W, Friesen W V. Autonomic nervous system activity distinguishes among emotions[J]. Science, 1983,(221):1208-1210.

[5]Levenson R W. Autonomic nervous system differences among emotions[J]. Psychological science,1992,(1):23-27.

[6]Levenson R W. The autonomic nervous system and emotion[J]. Emotion Review, 2014,(2):100-112.

[7]张孝利.多导仪心理测试中的皮肤电指标浅析[J].甘肃警察职业学院学报,2008,(1):46-49.

[8][19]Biometric Research Platform.GSR pocket guide(2015)[OL].

[9]Khalfa S, Isabelle P, Jeanpierre B, et al. Event-related skin conductance responses to musical emotions in humans[J]. Neuroscience Letters, 2002, (2):145-149.

[10]Scheirer J, Fernandez R, Klein J, et al. Frustrating the user on purpose: A step toward building an affective computer [J]. Interacting with Computers, 2002, (2):93-118.

[11]Brown C C. A proposed standard nomenclature for psychophysiologic measures [J]. Psychophysiology, 2010, (2):260-264.

[12]Fowles D C, Christie M J, Edelberg R, et al. Publication recommendations for electrodermal measurements[J]. Psychophysiology, 1981,(3):232-239.

[13]蔡菁.皮肤电反应信号在情感状态识别中的研究[D].重庆:西南大学,2010:8.

[14][16]Braithwaite J, Watson D, Robert J, et al. A Guide for analysing electrodermal activity (EDA) & skin conductance responses (SCRs) for psychological experiments[R]. Birmingham, UK: Selective Attention &Awareness Laboratory Behavioural Brain Sceinces Centre,University of Birmingham, 2013.

[15][17]Dawson M E, Schell A M, Filion D L. The electrodermal system[A]. Cacioppo J T, Tassinary L G, Berntson G G. (Eds.).Handbook of psychophysiology[C]. New York: Cambridge University Press,2007:159-181.

[18]Levinson D F, Edelberg R. Scoring criteria for response latency and habituation in electrodermal research: A critique[J]. Psychophysiology, 1985,(4):417-426.

[20]黎加厚.教学生理学:一门探索教学中人体生理信息的科学[J].教育研究,1992,(10):52-58.

[21]本間明信.授業中の生徒の内面的変化についての研究[R].日本仙台:宮城大学教育学部付属授業分析センター,1996,(5):88-101.

[22]董玉琦,本間明信.教師の働きかけによる子どもの情動変化の規律:授業中の学習者の情動変化に関する研究(2)[J].日本教育工学会大会講演論文集,1996,(12):599-600.

[23]黎加厚.学生对电视节目的皮肤电反应规律的研究[D].广州:华南师范大学,1989.

[24]吴中江.电视教学传播中信源若干因素与受着皮肤电反应(GSR)的相关研究[D].广州:华南师范大学,1990.

[25]吴中江.关于电视节目图像质量的GSR研究[J].电化教育研究,1993,(1):35-40.

The Physiological Data Representation of Emotion in Learning Analysis——Prospects for the Application of Galvanic Skin Response

HAN Ying1,2DONG Yu-qi2BI Jing-gang1

The measurement and analysis of learners’ emotional state in real situation is an indispensable part of learning analysis. With the advantages of objectivity, real-time, accuracy, etc, physiological data is an important measurement method in emotional research. The article sorted out the representation of physiological data-galvanic skin response (GSR) and its related content, introduced the research stituation of the application of GSR in teaching, and further analyzed it with speffic case. The emotional research based on physiological data provided learners with physiological and psychological data for learning analysis, and presented more comprehensive, tridimensional and accurate learner information, which was conductive to offering more adaptive and personalized learning services to learners.

emotion; galvanic skin response; physiological data; learning analysis

G40-057

A

1009—8097（2018）10—0012—08

10.3969/j.issn.1009-8097.2018.10.002

本文为吉林省社会科学基金项目“基于学业情绪生理测量的学习资源优化设计研究”（项目编号：2017B107）的阶段性研究成果

韩颖，吉林师范大学副教授，上海师范大学在读博士，研究方向为教育信息化，邮箱为hanying0211@163.com。

2018年6月15日

编辑：小西