情绪与皮肤电实验报告全流程解析：从信号预处理到SCR特征提取与统计

简介：内容为一篇完整的情绪与皮肤电实验报告，主要围绕“悲伤与高兴两种情绪状态如何影响皮肤电阻变化”这一主题展开。报告面向心理学专业学生、实验课程学习者以及从事生理心理学研究的初学者，能够帮助读者掌握情绪诱发实验的设计流程、皮肤电阻数据的采集与分析方法。文档依次呈现了实验目的、方法、步骤、结果、讨论与参考文献，并附有六名被试的基础皮肤电阻值以及高兴和悲伤两种条件下的逐秒测量数据。实验采用音乐材料诱发情绪，借助皮阻皮温仪记录电阻值，结果显示情绪兴奋程度越高，皮肤电阻值往往越高，且高兴情绪引发的电阻上升幅度大于悲伤情绪。全文保存在一个docx文件中，压缩包大小约35KB，结构清晰、内容完整，既适合作为心理学实验报告写作的范例，也可用于课堂汇报或情绪与生理反应相关研究的参考资料。目前已有135人学习浏览，具备一定的参考价值。

1. 一份「情绪与皮肤电实验报告.docx」到底在记录什么：从信号到结论的三层解读

先问一个现实问题：当你拿到一份「情绪与皮肤电实验报告.docx」时，你最该先看哪一页？不是摘要，不是结论，而是那张典型的皮肤电导波形图。因为情绪与皮肤电实验报告的全部价值，都压在信号质量上——如果原始波形里混着动作伪迹、电极接触不良或者基线漂移，后面的统计再漂亮也是白搭。皮肤电（EDA，也叫皮电、GSR）是目前情绪唤醒度测量里最直观、也最容易“翻车”的外周生理指标：它受交感神经支配，情绪唤醒上升，手掌汗腺活动增强，皮肤电导升高。这份报告通常记录的是这样一个链条：用什么情绪材料刺激 → 用什么设备采集 → 怎么预处理信号 → 提取哪些指标（SCR幅值、SCL水平）→ 拿什么统计口径下结论。适合读这份报告的人有两类：一是正在做情绪实验的研究者或从业者，想确认结果是否可信；二是准备自己跑一遍情绪与皮肤电实验、但不知道从哪里下手的新手。这篇笔记就把这条链路拆开讲透，带着你从实验设计一路走到最终成稿。

2. 把情绪诱发出来：刺激材料、基线采集与实验流程设计

2.1 情绪诱发材料的选型：为什么视频片段比静态图片更容易让SCR“起来”

皮肤电反应最核心的量化对象是SCR（皮肤电导反应），它需要情绪刺激“打”得足够准、足够强。常见做法是用国际情绪图片库里的图片或情绪视频片段作为诱发材料。图片的优势是标准化程度高、单次刺激时间短、可以按效价和唤醒度评分直接挑材料；视频的优势是情境连续性强，更容易把唤醒度拉起来，尤其对恐惧、悲伤、愉快这类需要情境铺垫的情绪。我在实际做实验时一般优先选视频片段，因为SCR的幅值往往和刺激的“情节性唤醒”正相关——单纯一张血腥或色情图片能引起眨眼反射式的反应，但对持续性的情绪唤醒提升有限。

选材时要注意一个容易被忽视的参数：材料的持续时长。图片刺激通常呈现4到6秒，视频刺激建议控制在30到90秒之间。太短，SCR还没来得及上升到峰值；太长，被试会产生习惯化，也就是同一刺激反复出现后反应幅度逐渐衰减，报告里那些“条件间差异不显著”的结论很可能就是这么来的。另一个参数是材料之间的间隔（ITI，刺激间隔），它是为了等SCR恢复到基线水平。不同被试的SCR恢复时间可以从几秒到一分钟不等，一般建议间隔不短于10秒，条件允许时用15到20秒更稳。

情绪材料要预先做唤醒度和效价的评定问卷，不要拿来就用。这个步骤是为了后面的统计口径准备：你需要知道这组视频在那个群体里的平均唤醒分、效价分，报告里做相关性分析时才会有一点“预测效力”。如果材料评分没采集，那后面的分析就变成了盲人摸象，只能做条件对比而做不了连续预测，结论的可解释性也会被审稿人或领导追问。

2.2 基线期与诱发期的时序设计：刺激呈现前的那几分钟决定了报告里所有对比的合法性

皮肤电实验报告里最容易被初学者忽略、却最影响结论可信度的，是基线期设计。基线期的作用是给每个被试建立一个属于自己的“电导基准”。情绪诱发前必须先记录一段安静坐着的皮电水平（SCL），基线时长通常是1到3分钟。这个基线绝不只是走个流程，后面计算SCR幅值、SCL变化量时，全部要以基线为参照。

一个我踩过的坑：基线期太短或者被试刚戴好设备就立刻开始刺激实验，测得的是被试等待实验时的紧张水平而不是平静水平。结果是SCL基线本身就偏高，刺激诱发后的增量被“顶”掉了，情绪条件之间看不出差异。到这里我建议基线期加一个“适应期”——被试进入实验室后先不进入正式记录，先坐5分钟让身体从走路、爬楼梯的生理唤醒中恢复，然后再采集正式基线。适应期和基线期加起来，整个记录时间会拉长到8分钟左右，但这几分钟换来的是后面所有数据的可靠性。

实验流程一般按这样一个时间线安排：适应期 → 基线期（1到3分钟静坐） → 材料预览/练习（让被试理解任务但不产生情绪） → 正式刺激（图片/视频逐条呈现，每个刺激前有一个短的前基线） → 每个刺激结束后填写主观情绪评分（效价、唤醒度） → 下一个刺激。刺激顺序必须做随机化或平衡设计，不能让所有高唤醒材料都排在同一个阶段，否则被试后期的习惯化会影响数据。

2.3 被试准备与电极贴放：皮肤电信号是“容易弄脏”的信号

皮肤电信号的特点是幅值小、易受干扰、个体差异大。被试进入实验室后要先用清水洗手并擦干，注意不要用酒精，因为酒精会去除角质层油脂反而改变皮肤电基础电导值；也不要让被试刚喝完咖啡或剧烈运动完就进实验，前20分钟内的咖啡因和身体唤醒都是干扰源。电极贴放位置最常用的是非优势手的掌心或食指中指指腹，这两个位置出汗腺密度高、信号强。如果用手腕或手臂，信号会弱一截，报告里的SCR幅值就可能小到和噪声分不开。

电极的类型也值得说一下。常见做法是用氯化银（Ag/AgCl）电极配合导电膏的湿电极。湿电极的信号阻抗低、稳定；缺点是导电膏会干，超过一小时的实验中后期信号会漂移。干电极使用方便但信号噪声更大，对预处理的要求更高。电极固定要防止移位和松动，用手指套或医用胶带固定住电极，然后提醒被试在刺激期间尽量保持手不动。皮肤电信号完全不怕“情绪激动”，怕的是身体动作和深呼吸——哪怕手指微动一下，波形上就能出现一个可以和SCR以假乱真的峰。这些注意事项要写进报告的方法学部分，作为数据质量控制的依据。

实验流程设计好之后，紧接的任务就是确定设备参数和采集原始信号。这里的参数设置直接影响最终报告里的波形质量。

3. 从原始记录到干净曲线：皮肤电信号的预处理流程

3.1 采样的关键参数：采样率、低通滤波与时间常数

皮肤电信号本身是一个慢变信号，但实际采集时依然要给设备设一个合理采样率。常见做法是用100Hz到250Hz的采样率采集，再在预处理阶段把数据降下来。很多人会问：皮电这么慢为什么要采这么高？原因是采样率太低时，50Hz/60Hz工频干扰和动作伪迹的形态会被混叠，后期滤波反而更麻烦。采得“高”一点再滤掉，比采得“低”了再补，后悔药要便宜得多。

设备上的滤波设置也要在采集前设好。大多数生物放大器有内置的高通和低通滤波器，对皮肤电来说：高通建议设在0.05Hz到0.1Hz之间，用于去掉SCL的直流漂移；低通建议设在2Hz到5Hz之间，因为SCR的频带能量几乎都在1Hz以下。如果设备上的低通截止频率设到10Hz甚至更高，工频噪声和肌电伪迹会大量混进信号，后面处理会更费力；如果设得太低如0.5Hz，真实SCR波形会被削掉峰顶，幅值低估。厂商默认参数常常是给心电或脑电用的，用在皮肤电上要自己改，别偷懒用默认。

采样参数并不是越多越好，有一个常见误区是去追求高采样率高精度设备。对皮肤电来说，只要电极贴好了，100Hz采样率和1000Hz采样率做出来的SCR幅值差异可以忽略不计。把省下来的时间花在电极准备和实验流程控制上，收益大得多。

3.2 伪迹剔除与平滑：哪些“反应”其实是身体动作

皮肤电信号的预处理可以概括成三个动作：去漂移、滤噪声、剔伪迹。去漂移是用高通滤波器把SCL的极慢变化和电极极化产生的缓慢电压变化去掉，保留SCR的快速波动；滤噪声是低通滤波器加一个工频陷波，把交流电干扰和肌电噪声滤除。这里要特别强调一个顺序：先轻度滤波再肉眼检查，不要一上来就是高阶强滤波。滤波阶数太高或者截止频率太激进，会把真实SCR的上升沿变钝、峰值变矮，测出来的幅值系统性偏小。

剔伪迹是最“玄学”的一步，也是最锻炼经验的一步。常见的伪迹有几种：身体动作产生的宽大冲击波，特征是上升极陡、幅值远超正常SCR、然后快速回落；深呼吸引起的规律性波动，频率约0.2Hz到0.3Hz，和呼吸频率同步；电极接触松动产生的断崖式阶跃。处理伪迹的常见做法是：先用算法做初步标记（如幅值超过某个阈值或斜率超过某阈值的片段），再人工逐段查看波形确认。全自动剔伪迹的软件是有的，但碰到被试打了个喷嚏把电极线扯动了一下，任何算法都可能在“保留真实反应”和“剔除真实反应”之间犹豫，人工复核依然是金标准。被判定为伪迹的片段可以直接从统计里去掉，但必须在报告里写明剔除比例，一般不超过总片段数的10%到15%，超过这个比例说明实验流程或被试配合出了问题。

3.3 用Python把EDA导联从原始记录里提取出来：一段可复现的预处理脚本

很多采集设备自带的软件能直接导出预处理后的皮电数据，但如果你用的是科研级设备叠加自定义刺激程序，导出的往往是最原始的电压或电导值，需要自己做滤波。下面这段Python脚本是我常用的第一道预处理流程，假设你已经从设备软件里导出了一个单列CSV文件，内容是皮肤电导值，单位µS（微西门子），采样率在代码里指定。

import numpy as np from scipy import signal import matplotlib.pyplot as plt # 读取原始数据，假设CSV只有一列数值，单位uS raw = np.loadtxt("eda_raw.csv", delimiter=",") fs = 100 # 实际采集时的采样率，单位Hz，按自己的实验改 # 第一步：陷波滤波去除工频干扰（50Hz或60Hz按区域选） f0 = 50.0 # 国内交流电是50Hz，某些区域是60Hz Q = 30.0 # 品质因数，越大会越窄，通常20-30即可 b_notch, a_notch = signal.iirnotch(f0, Q, fs) eda_notch = signal.filtfilt(b_notch, a_notch, raw) # 第二步：高通去除SCL基线漂移，截止0.05Hz，保留SCR快成分 b_high, a_high = signal.butter(2, 0.05, btype="high", fs=fs) eda_high = signal.filtfilt(b_high, a_high, eda_notch) # 第三步：低通滤除高频噪声，截止2Hz b_low, a_low = signal.butter(2, 2.0, btype="low", fs=fs) eda_clean = signal.filtfilt(b_low, a_low, eda_high) # 可选：移动平均平滑，窗口选0.1秒，进一步让曲线更干净 win = int(0.1 * fs) kernel = np.ones(win) / win eda_smooth = np.convolve(eda_clean, kernel, mode="same") # 画图检查波形 t = np.arange(len(raw)) / fs plt.plot(t, eda_smooth, linewidth=1) plt.xlabel("Time (s)") plt.ylabel("Skin Conductance (uS)") plt.show() # 保存预处理后的数据，供后续特征提取使用 np.savetxt("eda_clean.csv", eda_smooth, delimiter=",")

这段脚本的逻辑是先滤工频、再滤漂移、再滤高频，最后做平滑。顺序是有讲究的：陷波在前是因为如果不先去掉工频干扰，高通滤波会把部分工频谐波放大，导致后半段信号出现异常振荡。信号滤波全部用filtfilt做零相位滤波，这样不会造成波形的时间偏移——SCR的潜伏期计算依赖准确的时间对齐，任何相位失真都会让潜伏期系统性偏移几百毫秒，这个误差在报告里是会被审稿人看出来的。

参数说明：高通截止0.05Hz意味着SCL这种极慢变化会被当成漂移去掉，SCR作为较快成分能保留下来；这个值再高一点到0.1Hz会让基线更平稳但也会轻微压低慢速SCR的幅值；再低到0.01Hz则去漂移不彻底，后期统计时SCL仍会在基线附近晃动。低通截止2.0Hz是标准取值，SCR的绝大多数能量都在0.05到1Hz之间，2Hz留出了足够余量。窗口0.1秒的移动平均是为了视觉上更平滑，不参与特征提取，如果后面要用自动SCR检测算法，一般建议跳过平滑步骤，避免把真实的细微SCR抹掉。

到这里，你手里的数据已经是干净的了，下一章要解决的是最关键的问题：从干净波形里提取出能写进报告的数字指标。

4. 把情绪量化成数字：SCR特征提取、基线校正与统计口径

4.1 特征提取：SCR幅值、潜伏期、恢复时间，以及SCL水平漂移

预处理完成后的波形仍然是一长串连续数值，写进报告之前要从中提取有明确生理意义的特征指标。表里列出的是我在情绪与皮肤电实验报告里最常用也最被认可的几个特征及其定义：

提取SCR时有一个老生常谈却总有人犯的错误：把刺激呈现前2秒内自发产生的非特异性皮电反应时升（NS.SCR）误当成刺激诱发的SCR。判断标准是时间窗口——只有在刺激呈现后1到5秒内出现且幅度大于0.05µS的峰才算诱发响应，窗口之外的峰属于自发现象，不能算作对刺激的反应。对手工打分来说，0.05µS的阈值是经验默认值，低于这个值的峰多半是噪声。如果你的报告里SCR幅值普遍低于0.05µS，先不要急着下“被试没反应”的结论，回去检查电极贴放位置和导电膏状况。

SCL均值这个指标要单独说，它经常被误解为“情绪效价的指标”，但SCL反映的是唤醒度不是效价。也就是说，一个被试看到恐怖视频和看到搞笑视频，SCL都可能上升，区别不大；要区分效价必须依靠主观评分问卷和面部表情编码等外向指标。报告里如果写了“SCL升高说明被试体验到负性情绪”，这句话在生理心理学上是不成立的，属于效价和唤醒度的混淆。

4.2 基线校正与归一化：不要直接比较不同被试的原始微西门子值

皮肤电数据有一个鲜明的特点：个体差异极大。有的人掌心干爽SCL只有2µS，有的人容易出汗静止状态下SCL就有15µS，这样直接比较两个人的SCR幅值是没有意义的。常见做法是每个被试以自己为基准，把诱发期的各项指标减去自己的基线值，得到变化量再进入统计分析。这里的基线不是前面正式实验前那几分钟的SCL均值，而是每个刺激呈现前很短一个时间段（通常取刺激前2到5秒）的SCL均值。用短时基线的好处是能校正SCR没有完全恢复到前一次基线的情况，减少连续刺激之间的累积效应。

归一化是另一个值得商榷的问题。有些报告会把每个被试的SCR或SCL变化量除以自己的基线SCL，得到一个百分比变化。这个做法的好处是不同被试的数据放在同一量纲下比较，做法本身没问题；问题在于基线SCL接近零的被试会被除出极大值，造成数据偏态。我一般建议：先看原始变化量数据的分布，如果偏态严重，做log或平方根转换，而不是直接除以基线。统计上更稳妥的方式是使用协方差分析，把基线SCL作为协变量放进模型，让统计软件自己“扣除”基线影响。报告里应明确写出本实验采用的是哪种校正方式，不同校正方式算出来的显著性和效应量会有差异，这属于报告的可复现性细节。

情绪与皮肤电实验的统计分析还会遇到一个常见的“假显著”问题：对每个SCR特征分别做多组t检验，不做多重比较校正。这样做的结果是假阳性概率随检验次数线性上升。推荐的替代方案是：如果条件数多于两个，用重复测量方差分析或混合线性模型，事后多重比较再做Bonferroni或FDR校正。

4.3 统计口径与报告里的数据表：分组、条件、显著性与效应量

一份经得起推敲的情绪与皮肤电实验报告，统计部分至少要包含三个层面：描述统计、推断统计、效应量。描述统计就是每个条件下的均值加减标准差；推断统计解决的是“这些条件间的差异是否显著”；效应量（如偏eta方或Cohen's d）解决的是“差异有多大”，而不是仅仅报告一下p值。现在的审稿风气已经明确要求：不能只写“p<0.05”就完事，必须报告检验统计量、自由度、效应量和置信区间。

报告中的数据表一般会把行设为实验条件（如中性视频、正性视频、负性视频），列设为指标（SCR幅值、SCL变化量、主观唤醒度评分），每个单元格给出均值±标准差，在表格下方用字母标注显著差异的事后检验结果。做此类表格要注意：不要把单个被试的原始数据堆在正文里，应当放在附录作为原始数据表；正文表格只放统计汇总。另外，如果有一个被试因为伪迹剔除比例过高被排除，要把排除原因和人数写清楚，报告方法学部分的“被试”小节里注明有效样本量。

常见误区是把相关性分析当因果分析来写结论。比如SCL变化量与主观唤醒度评分有正相关，只能说两个测量指标相伴变化，不能直接写成“皮肤电反应证实了被试的高唤醒情绪”。原因在于SCR受交感神经单一驱动，而主观评分受认知加工和表达意愿多重影响，两个变量之间的时间分辨率都不同。报告结论部分应把“生理指标变化”和“主观体验变化”分开陈述，再讨论它们之间的关联方向，这样措辞才不会被挑错。

统计指标一旦定了，下一步要面对的问题是哪些细节最容易被忽略、导致整份报告被退回修改，或者数据本身白做。下一章集中梳理我在这类实验里踩过、也帮别人排查过的坑。

5. 皮肤电实验报告避坑指南：五条翻车路径与对应排查

5.1 现象：次被试的全段信号都是一条“死线”，SCR幅度为零

这是一个“血泪经验”：辛苦做完整个实验流程，导出的数据波形却像一条直线，几乎没有任何波动。原因通常是导电膏没有均匀涂抹、电极没有贴合紧密、或者是被试的手掌过于干燥导致角质层阻抗过高。有一个极容易被忽视的原因是：电极线被拉紧导致电极悬浮在皮肤表面，信号根本没有进入放大器。解决路径分两步：实验开始前务必用阻抗检测功能查一下电极与皮肤的接触阻抗，正常范围应该在5到20kΩ之间；实验结束后发现死线，不要试图用滤波把信号“救”回来，滤波只能处理噪声、不能伪造反应，这段数据要么重测要么剔除并在报告里注明。

5.2 现象：信号里出现规律性起伏的“假SCR”，和呼吸频率同步

波形图上如果出现间隔2到4秒、幅度稳定的起伏波，这不是情绪反应，而是呼吸性伪迹——被试呼吸时胸廓扩张带动了手部微小位移，或者呼吸本身改变了胸内压从而影响外周血流和电导。辨别方法是看频率：真实SCR是离散的事件性反应，出现时间与刺激呈现时间对应；呼吸伪迹则是连续周期性波动，无论有没有刺激都存在。解决方法是先做高通滤波并观察是否消失，如果消失说明是慢漂移问题；如果仍然存在，就要在原实验记录里查看被试的呼吸带信号或视频录像确认。处理办法是对这段数据打伪迹标记，并在报告中把含有呼吸伪迹的刺激试次剔除。预防方案是在实验指导语里明确提醒被试均匀呼吸、不要深呼吸和憋气。

5.3 现象：情绪条件之间的差异全部不显著，但主观评分差异显著

这是我在某个模拟项目X里亲身经历过的：被试主观问卷报告负性视频明显更让人紧张，但SCR和SCL数据全无差异。逐段排查后发现，问题出在刺激顺序——所有负性视频都排在中性和正性之后，被试到了负性阶段已经疲惫，再加上前一阶段情绪唤醒的残余影响没有消退，导致负性条件的反应基线已经被抬高，增量不显著。解决方式：刺激呈现顺序必须做拉丁方或完全随机化；分析时把刺激顺序作为协变量放入统计模型。还要检查一个可能性：负性材料的唤醒度和正性材料的唤醒度在材料库里本来就不相上下，情绪差异主要体现为效价维度而非唤醒维度，而皮肤电只对唤醒度敏感，这种情况下“不显著”反而是正确的生理结果。

5.4 现象：某一段数据的SCL明显整体抬升，像“台阶”一样跳了一级

SCL出现台阶式抬升，最常见的原因是电极松动后又被重新按紧，或者被试在某个时间点突然紧张起来。排查时先看实验记录日志：那个时间点是否正好在被试完成某项操作、或者看到某个特定刺激之后。如果台阶出现在刺激呈现时刻且后续所有条件都保持了高基线，可能是被试被某个刺激惊吓到，进入了持续的紧张状态。处理时可以把台阶之前的基线期和之后的基线期分开计算，但注意这不是标准做法，更稳妥的方案是检查SCL变化量指标是否依然有效，因为变化量以每个刺激前的短时基线为参照，受这种整体抬升影响较小。如果抬升是被试情绪状态的真实变化且与实验操纵有关，可以在报告里作为探索性发现讨论，不用强行修正数据。

5.5 现象：滤波后SCR波形出现“振铃效应”，峰顶有下凹或上冲

用高频二阶以上滤波器时，信号在快速变化处会出现过冲和振荡，这在SCR峰顶附近会表现为明显的锯齿或下凹。原因通常是滤波器阶数太高或截止频率调得太激进，属于预处理参数不当。解决方法是降低阶数（一阶或二阶就够用），或者改用filtfilt双向滤波、并适当放宽截止频率。判断参数是否合理的标准是：预处理后的SCR波形应保留天然的平滑单峰形态，上升沿干净，峰顶圆润，不应看到滤波器引入的人为振荡。这里有一个习惯可以分享：每次调整滤波参数后，叠加原始波形和滤波后波形一起查看，对比两次的峰幅值差异——如果滤波导致峰幅值下降了超过20%，说明这组参数把真实信号削得过狠，应回退。

6. 把实验结果落成一份能交付的 Word 报告：图表规范与结论口径

报告文件最终要交付给导师、客户或审稿人，文件本身是.docx格式，但这个后缀并不意味着“随便写写”。我建议的报告结构是：实验目的与假设 → 方法（被试、材料、设备、流程） → 数据预处理描述 → 统计结果 → 讨论与结论。章节不能乱，因为评审人默认这个结构反过来检验你的实验逻辑。

波形图是最容易被挑毛病的部分。皮肤电波形图必须包含三样东西：横轴时间（单位秒）、纵轴电导值（单位µS）、以及刺激呈现时刻的标注线（通常用虚线加箭头）。图注里要写清是哪名被试在哪个条件下的代表性波形，还是全体被试的平均波形——两者不要混用。坐标轴字体不小于8号，图中的滤波参数在方法部分写明，不要在图上标“原始数据”然后又明显已经滤过波。

数据表的规范参照我前面给的特征表格，每个指标单独一张表，不要试图把一个表挤满所有条件和所有指标。表题写明统计方法，表下给出事后检验差异标注和效应量。另一个容易被忽略的是原始数据交付——正文附不下的单个被试数据、每个刺激的具体得分，应放在附录的表格里，或者用附件形式一并交付，让读者能复现你的统计计算。报告的所有统计结果要能达到“别人拿着数据和你的方法描述能重跑一遍”的程度，这是我判断一份报告能否交付的基本标准。

结论部分的口径掌握是最后一个技巧：生理指标只描述客观测量，不直接断言“被试感受到了某种情绪”。一个我长期养成的习惯是，先写“数据显示负性视频条件诱发了显著的SCR幅值增大，且与主观唤醒度评分存在正相关”，再写“这可能表明……”。这种写法把“数据事实”和“解释推测”分成两层，既严谨又能体现分析深度。另一个小技巧是实验结束后立刻写一份采集日志，记录当天被试的配合情况、电极阻抗、中途发生过什么异常，这份日志不在报告正文里，但它是你排查异常数据和答复审稿人质疑的第一手依据。做完这些，我心里才敢说这份实验报告是经得起推敲的。希望帮到你。

本文还有配套的精品资源，点击获取