Zusammenfassung

Die elektrodermale Aktivität (EDA), auch bekannt als galvanische Hautreaktion (GSR), misst die Aktivität des sympathischen Nervensystems und wird häufig zur Beurteilung emotionaler Erregung eingesetzt. Eine wichtige Analysemethode ist die EDA-Spitzenerkennung, mit der schnelle Veränderungen im phasischen Signal, den sogenannten Hautleitfähigkeitsreaktionen (SCRs), identifiziert werden.

Diese Spitzen können ereignisbezogen (ER-SCRs) oder unspezifisch (NS-SCRs) sein und liefern einen zuverlässigen Indikator für die emotionale Intensität während der Experimente. Die Erkennung von EDA-Spitzen umfasst die Filterung von Rauschen, die Bestimmung von Signalschwellenwerten und die Isolierung aussagekräftiger physiologischer Reaktionen.

Zwar deuten höhere EDA-Spitzenwerte im Allgemeinen auf eine stärkere Erregung oder einen höheren Stress hin, doch lässt sich anhand der EDA allein nicht feststellen, ob es sich um eine positive oder negative Emotion handelt. Für tiefere Einblicke sollte sie am besten mit anderen Methoden wie Selbstauskünften oder Gesichtsanalyse kombiniert werden.

Kurz gesagt ist die EDA-Spitzenwert-Erkennung eine standardisierte und effektive Methode zur Quantifizierung emotionaler Erregung, was sie in der Psychologie, den Neurowissenschaften und der Nutzerforschung gleichermaßen wertvoll macht.

Die elektrodermale Aktivität (EDA) ist in der Verhaltensforschung ein zuverlässiger Indikator für die zugrunde liegende emotionale Erregung. Die EDA (oft auch als galvanische Hautreaktion oder GSR bezeichnet) spiegelt die Aktivität des sympathischen Nervensystems wider, die von physiologischer und emotionaler Aktivierung abhängt.

Je nach Ihrer konkreten Forschungsfrage gibt es eine Reihe wichtiger Ergebniskennzahlen, die sich aus EDA-Signalen ableiten lassen. Tatsächlich ist es immer wichtig, sich vor Beginn der Datenerhebung zunächst zu überlegen, welche Ergebniskennzahlen für Sie von Interesse sind und welche Analysen Sie durchführen möchten. Daher bietet dieser Beitrag einen allgemeinen Überblick über eine solche gut standardisierte EDA-Ergebniskennzahl – die Spitzenerkennung.

Übersicht über EDA-Komponenten und SCRs

Bevor man sich mit den Einzelheiten der Durchführung von Peak-Detection-Analysen befasst, ist es wichtig, zunächst die grundlegenden Komponenten der EDA zu betrachten. Die EDA misst die Hautleitfähigkeit, die sich aus mikroskopischen Veränderungen des Schweißausstoßes an der Hautoberfläche ergibt [1]. Die Schweißsekretion ist an einer Reihe von Regulationsprozessen beteiligt [4], und zahlreiche Forschungsergebnisse deuten darauf hin, dass Hautleitbarkeitsreaktionen (SCR) mit emotionaler Erregung in Verbindung stehen [4–7].

Die Erkennung von SCRs beruht auf den Schwankungen zweier grundlegender Komponenten der EDA-Aktivität: der langsamen und gleichmäßigen tonischen Grundkomponente und der schnelleren oder reaktiven phasischen Komponente. Plötzliche Verschiebungen der phasischen Aktivität über die tonische Aktivität hinaus werden als EDA-Peaks bezeichnet.

Wenn diese Spitzen als Reaktion auf Reize auftreten, werden sie als ereignisbezogene Hautleitfähigkeitsreaktionen (ER-SCR) bezeichnet. Wenn diese Spitzen offenbar nicht mit der Darbietung eines Reizes zusammenhängen, werden sie als unspezifische Hautleitfähigkeitsreaktionen (NS-SCR) bezeichnet [1, 6].

Die Auswertung der Anzahl der EDA-Peaks liefert quantitative Hinweise auf das Ausmaß der emotionalen Erregung oder Intensität während einer Versuchssitzung.

So erkennen Sie EDA-Peaks

#rank-math-howto img { max-width: 100%; height: auto; } .rank-math-steps { counter-reset: steps; } .rank-math-step { counter-increment: steps; padding-left: 2rem; } #rank-math-howto h3 { font-size: 1.3rem; } .rank-math-step h3:before { font-size: 1.3rem; content: counter(steps); font-weight: bold; color: var(–wp–preset–color–secondary); margin-left: -2rem; float: left; }

Zur Ableitung von EDA-Peaks sind mehrere Signalverarbeitungsschritte erforderlich. Die nachfolgend beschriebenen Schritte basieren auf standardisierten Methoden [4, 9–11] und können mit einer Signalverarbeitungs-Toolbox Ihrer Wahl durchgeführt werden. iMotions bietet einen Signalverarbeitungsablauf zur EDA-Peak-Erkennung über ein R-Notebook direkt in der Software an, wobei die nachfolgend beschriebenen Schritte zum Einsatz kommen

Importieren Sie kalibrierte EDA-Signale in die Signalverarbeitungs-Toolbox Ihrer Wahl

a. Dieser Wert hängt von dem verwendeten EDA-Gerät ab – das iMotions R Notebook erkennt dies für jedes integrierte Gerät.
b. Es können auch andere Tools wie Ledalab, benutzerdefinierte Skripte in MatLab, Python oder andere Signalverarbeitungssysteme verwendet werden.

Bestimmen Sie die Abtastrate des Signals

Extrahieren Sie phasische Daten aus dem ursprünglichen EDA-Signal mithilfe eines Medianfilters

Das phasische Signal wird aus dem ursprünglichen EDA-Signal mithilfe eines Medianfilters über ein Fenster fester Länge (typischerweise 8000 ms) extrahiert.

Wende einen Butterworth-Tiefpassfilter auf die Phasendaten an, um Netzrauschen zu entfernen

Dadurch werden Störanteile aus dem EDA-Signal herausgefiltert. In der Regel wird eine Grenzfrequenz von 5 Hz verwendet.

Anfangs- und Endpunkte ermitteln

a. Bestimmen Sie die Werte für den Beginn und das Ende der Spitzen, um festzulegen, wo das Signalverarbeitungswerkzeug nach den Spitzen suchen soll.
b. Als Beginn gelten alle Punkte, an denen das phasische Signal die Beginnschwelle nach oben überschreitet (typischerweise > 0,01 µs).
c. Als Ende gelten alle Punkte, an denen das phasische Signal die Endschwelle nach unten unterschreitet (typischerweise < 0 µs).

Den Schwellenwert für die Spitzenamplitude festlegen

a. Ermitteln Sie den maximalen Amplitudenwert innerhalb jedes Start-End-Fensters.
b. Ziehen Sie den Amplitudenwert zum Startzeitpunkt von der maximalen Amplitude ab.
c. Bestimmen Sie den Schwellenwert für die Spitzenamplitude (in der Regel 0,005). Werte gelten nur dann als mögliche Spitzen, wenn sie den Schwellenwert für die Spitzenamplitude oberhalb des Amplitudenwerts zum Startzeitpunkt überschreiten.

Bestimme den Schwellenwert für den Signalsprung

a. Hier legen Sie einen Schwellenwert von 0,1 µs zwischen den Signalen fest, um nach einem deutlichen „Signalsprung“ zu suchen.
b. Diese Sprünge können falsch-positive Spitzen aufgrund von Bewegungsartefakten darstellen, die von den Filtern ansonsten nicht erfasst würden.
c. Eine mögliche Spitze wird nur ausgewählt, wenn:
ihre Amplitude über dem Amplitudenschwellenwert (0,005 µs) liegt und
die Zeitdifferenz zwischen Beginn und Ende über dem Dauer-Schwellenwert (500 ms) liegt.

Bin-Daten (Daten einem virtuellen Zeit-Bin zuweisen)

Interpretation von EDA-Peaks

Nachdem Sie nun die EDA-Spitzenwerte für Ihre Studie ermittelt haben, ist es wichtig, dass Sie diese richtig interpretieren können. Denken Sie daran, dass die EDA-Aktivität die emotionale Intensität widerspiegeln kann und dass die Anzahl der EDA-Spitzenwerte Ihnen einen Anhaltspunkt dafür liefert, wie stark bestimmte Reize bei den Teilnehmern Emotionen hervorrufen.

Untersuchungen zur Stressreaktivität legen nahe, dass in Stresssituationen mehr EDA-Spitzen festgestellt werden als in stressfreien Situationen [7, 12, 13]. Die EDA-Spitzen spiegeln die stärkere emotionale Erregung wider, die unter Stress auftritt. Es ist jedoch wichtig zu beachten, dass zwar mehr EDA-Spitzen auf eine höhere emotionale Intensität hindeuten, die Richtung dieser Emotion (Valenz) sich jedoch nicht allein aus der EDA ableiten lässt.

Beispielsweise können Personen, die gerne vor Publikum sprechen, im Vorfeld und während eines Vortrags eine erhöhte EDA-Aktivität zeigen, dabei aber auch von einem positiveren oder lebhafteren Gefühlszustand berichten. Umgekehrt können Personen, die es nicht mögen, vor Publikum zu sprechen, während eines Vortrags ebenfalls eine erhöhte EDA-Aktivität zeigen, berichten jedoch von negativen Emotionen als Reaktion auf die Aufgabe [12]. Das EDA-Signal ist daher kein Indikator für die Art der Emotion, sondern lediglich für deren Intensität.

Ein multimodaler Ansatz, bei dem EDA mit Instrumenten zur Bewertung der emotionalen Valenz (z. B. Selbstauskunft und automatisierte Gesichtsausdrucksanalyse) kombiniert wird, kann Ihnen somit letztlich tiefere Einblicke sowohl in die emotionale Intensität als auch in die Valenz vermitteln.

Wenn Sie mehr darüber erfahren möchten, wie Sie EDA in Ihrer Forschung einsetzen können, laden Sie sich unten unseren kostenlosen Taschenführer herunter.

Literaturverzeichnis

[1] Boucsein, W. (2012). Elektrodermale Aktivität. New York, Berlin: Springer, 2. Auflage

[2] Wenger CB. Thermoregulation. In: Freedberg IM, Eisen AZ, Wolff K, Austen KF, Goldsmith LA, Katz SI (Hrsg.). Dermatology in general medicine, 1. New York: McGraw-Hill; 2003. S. 119–27.

[3] Critchley, H. (2002). Rezension: Elektrodermale Reaktionen: Was im Gehirn geschieht. The Neuroscientist, 8(2), S. 132–142.

[4] Fowles DC, Christie MJ, Edelberg R, Grings WW, Lykken DT, Venables PH. Empfehlungen für die Veröffentlichung von elektrodermalen Messungen. Psychophysiology, 1981;18(3):232–9.

[5] Anders, S., Lotze, M., Erb, M., Grodd, W. und Birbaumer, N. (2004). Hirnaktivität bei emotionaler Valenz und Erregung: Eine reaktionsbezogene fMRT-Studie. Human Brain Mapping, 23(4), S. 200–209.

[6] Dawson, M., Schell, A. & Filion, D. (2000). Das elektrodermale System. In J. T. Cacioppo, L. G. Tassinary und G. B. Bernston, Handbuch der Psychophysiologie: 2. Auflage, S. 200–223. Cambridge Press, Cambridge, 2000.

[7] Bakker, J., Pechenizkiy, M. & Sidorova, N. (2011). Wie hoch ist Ihr aktueller Stresspegel? Erkennung von Stressmustern anhand von GSR-Sensordaten. In: Proceedings – IEEE International Conference on Data Mining, ICDM (S. 573–580). doi:10.1109/ICDMW.2011.178

[8] Guo, R., Li, S., He, L., Gao, W., Qi, H. & Owens, G. (2013). Allgegenwärtige und unauffällige Emotionserkennung für die psychische Gesundheit des Menschen. Tagungsband der Konferenz „ICTs for Improving Patients Rehabilitation Research Techniques“, 436–439. doi:10.4108/icst.pervasivehealth.2013.252133

[9] Benedek, M., & Kaernbach, C. (2010). Zerlegung von Hautleitfähigkeitsdaten mittels nichtnegativer Dekonvolution. Psychophysiology, 47, 647–658. doi:10.1111/j.1469-8986.2009.00972.x

[10] Benedek, M., & Kaernbach, C. (2010). Eine kontinuierliche Messung der phasischen elektrodermalen Aktivität. Journal of Neuroscience Methods, 190, 80–91. doi:10.1016/j.jneumeth.2010.04.028

[11] Greco, A., Valenza, G. & Scilingo, E. (2016) Fortschritte bei der Verarbeitung elektrodermaler Aktivität mit Anwendungen für die psychische Gesundheit: Von heuristischen Methoden zur konvexen Optimierung. Schweiz. Springer.

[12] Tomaka, J., Blascovich, J., Kelsey, R.M. (1993). Subjektive, physiologische und verhaltensbezogene Auswirkungen der Bewertung von Bedrohungen und Herausforderungen. Journal of Personality and Social Psychology, Band 65, Nr. 2, S. 248–260. doi: 10.1037/0022⁃3514.65.2.248.

[13] Bradley, M., & Lang, P., (2000). Emotionsmessung: Verhalten, Empfinden und Physiologie. In: Cognitive Neuroscience of Emotion, Hrsg. von R. Lane und L. Nadel. New York, USA: Oxford University Press, 2000, S. 242–276.