使用 Shimmer3 进行情绪识别：从生理信号看懂情绪变化

原创作者：科采通 ｜ 专注生理信号采集、可穿戴设备、数据分析

一、背景：情绪可“见”吗？

在人类的社交和行为中，情绪起着关键作用。但相比心率、血压等可量化的生理参数，情绪似乎更主观，难以衡量。那么，有没有办法客观识别一个人的情绪状态呢？

答案是肯定的：情绪会影响我们的生理反应，比如心跳、出汗、肌肉紧张、皮肤温度等。

Shimmer3 作为一款便携式高精度生理信号采集设备，为我们提供了一个探索情绪的“窗口”。

Shimmer3

二、什么是 Shimmer3？

Shimmer3 是由 Shimmer Sensing 公司推出的可穿戴多传感器平台，广泛应用于生理信号采集、行为识别、临床研究等领域。

在情绪研究中，常用的模块包括：

• GSR+ Unit：用于采集皮肤电（Galvanic Skin Response，皮电）+ 温度；
• ECG Unit：心电图；
• EMG Unit：肌电活动；
• Optical Pulse：光电容积脉搏波（PPG），用于提取心率和 HRV；
• IMU：用于姿态/活动行为分析。

三、情绪研究中的关键生理指标

这使得我们可以从多模态生理数据出发，识别并分类用户的情绪状态。

四、Shimmer3 情绪实验方案设计

🎯 目标：

利用 Shimmer3 收集受试者在不同情绪刺激下的生理信号数据，分析并识别其情绪状态（如快乐、悲伤、愤怒、恐惧等）。

🧪 实验设备：

• Shimmer3 GSR+ 模块（皮电 + 体温）
• Shimmer3 ECG 或 Optical Pulse（心率）
• Bluetooth Dongle 或 SD卡本地记录
• 实验刺激内容：情绪图片 / 视频（如 IAPS、电影片段）
• 软件：Shimmer Capture、MATLAB / Python 数据处理脚本

👣 实验流程：

1. 前期准备：
   • 调试传感器，固定在受试者手指、胸口等部位；
   • 设置采样频率（GSR 推荐 51.2 Hz，PPG 推荐 128 Hz）；
2. 刺激呈现：
   • 采用随机或平衡设计呈现刺激（如快乐/中性/悲伤片段）；
   • 每段刺激持续 60 秒，刺激前后记录 base-line；
3. 同步记录数据：
   • 使用标记或同步信号（Shimmer Capture 支持手动标记）；
4. 导出数据分析：
   • 导出 .csv，对 GSR、HR、温度等进行滤波、归一化处理；
   • 提取特征，如 GSR 峰值数量、平均皮肤导电值、HRV 时域指标（RMSSD 等）；

五、数据处理与情绪分类（Python 示例）

python复制编辑import pandas as pd
import matplotlib.pyplot as plt
from scipy.signal import find_peaks

# 读取 GSR 数据
data = pd.read_csv("shimmer3_gsr.csv")
gsr = data["GSR Conductance (uS)"]

# 简单去噪和平滑
gsr_smooth = gsr.rolling(window=10).mean()

# 提取 GSR 峰值（兴奋反应）
peaks, _ = find_peaks(gsr_smooth, distance=50, height=0.1)

# 可视化
plt.plot(gsr_smooth)
plt.plot(peaks, gsr_smooth[peaks], "x")
plt.title("GSR with Detected Peaks")
plt.xlabel("Time")
plt.ylabel("Conductance (uS)")
plt.show()

情绪识别方法：

• 特征提取：GSR 峰值个数、幅值、上升速率；HRV 均值；温度变化斜率；
• 分类模型：KNN、SVM、Random Forest，或使用 LSTM 进行序列建模；
• 标签对照：每种刺激对应的目标情绪标签，用于监督学习训练模型。

六、实际应用场景

• 心理健康监测：焦虑发作预警、抑郁识别；
• 沉浸式交互系统：情绪感知 VR/游戏；
• 智能穿戴设备：手环识别压力与情绪状态；
• 教学与培训场景反馈：在线学习平台监测注意力与情绪波动。

七、我的实验总结与思考

在使用 Shimmer3 进行情绪实验过程中，我发现：

• 数据质量关键取决于贴片质量和干扰控制，如电极脱落会导致信号漂移；
• 同步机制很重要，建议引入刺激同步信号；
• 皮电对情绪刺激反应非常明显，尤其是恐惧和惊讶场景；
• 基线个体差异大，需要归一化处理或使用个体化模型；
• 设备非常稳定可靠，蓝牙连接也很流畅，适合批量实验使用。

八、未来方向展望

未来我计划在此基础上：

• 尝试多传感器融合：加入呼吸带、面部表情识别；
• 建立小型情绪数据库，用于本地模型训练；
• 开发一个实时情绪识别系统，结合 Qt/Python 显示界面；
• 基于 Shimmer3 构建“情绪调节反馈系统”（如冥想训练+生物反馈环）。