Ledalab Leipzig electrodermal activity laboratory

Werbung
Analyse von Hautleitwertdaten
als Maß für emotionale Reaktionen
Christian Kaernbach
Institut für Psychologie
derzeit: Universität Bonn
eigentlich: Universität Leipzig
demnächst: Karl-Franzens-Universität Graz
• Einführung in die bioelektrischen Phänomene der Haut
• Messung und Auswertung
– template matching
• erste Versuchsergebnisse
• ein Softwarepaket zur Auswertung
– derzeitiger Stand und Fragen
EDA - Definition
• EDA = Elektrodermale Aktivität
• Sammelbegriff für die elektrischen Phänomene der
Haut (Johnson und Lubin, 1966)
• umfaßt aktive und passive bioelektrische Phänomene
• Beschreibungsgrößen:
– aktive Phänomene:
• Hautpotential
– passive Phänomene:
• Hautwiderstand
• Hautleitfähigkeit
reziprok
EDA - Terminologie
English
Deutsch
Electrodermal Activity
EDA
Elektrodermale Aktivität
Skin Conductance Level
SCL
Hautleitfähigkeitsniveau
Hautleitwertsniveau
Skin Conductance Response
SCR
Hautleitfähigkeitsreaktion
Hautleitswertsreaktion
Skin Resistance Level
SRL
Hautwiderstandsniveau
Skin Resistance Response
SRR
Hautwiderstandsreaktion
Skin Potential Level
SPL
Hautpotentialniveau
Skin Potential Response
SPR
Hautpotentialreaktion
exosomatisch
endosomatisch
Cutis
Aufbau der Haut
Hautleitwert
• Subcutis und Dermis sind gute und stabile
Leiter.
• Epidermis fungiert als Barriere.
• Schweißdrüsenaktivität verändert Hautleitwert:
• Schweiß = NaCl-Lösung  besonders leitfähig
• Die Leitfähigkeit ist dort am größten,
wo die meisten Schweißdrüsen sind.
• Durchtrennung der Innervationswege oder
medikamentöse Blockade (Atropin)
eliminiert Hautleitwertsreaktion.
Schweißdrüsen
• Schweißdrüsen sind exokrine Drüsen.
• Innervation: autonomes Nervensystem
• ekkrine vs. apokrine Drüsen
– ekkrin: Ausscheidung mittels Vesiklen.
Ekkrine Schweißdrüsen dienen der
Thermoregulation.
– apokrin: Abstoßen eines Teils des Somas.
Apokrine Schweißdrüsen befinden sich an
behaarten Stellen und dienen der
Ausscheidung von Duftstoffen.
• vermehrte Dichte ekkriner Schweißdrüsen
auf Hand- und Fußflächen
– abweichende Innervation
– Vermutung: palmare Schweißdrüsen
stehen unter zentraler Kontrolle
(„emotionales Schwitzen“)
Zentrale Innervation
– Vermutung: palmare Schweißdrüsen
stehen unter zentraler Kontrolle
(„emotionales Schwitzen“)
Gerät
•
Leybold Didactic
netto
– Pocket Cassy (11 Bit):
195,00 €
– Hautwiderstandsbox:
270,90 €
– CassyLab Software (einmalig): 355,00 €
•
820,90 €
brutto
226,20 €
314,24 €
411,80 €
952,24 €
Die Messung
Die Messung
Setup „ist“
Stimulus
VGA
Tastatur
Maus
USB
Hintergrundmusik
Matlab
CassyLab
Setup „soll“
Matlab
Stimulus
LPT
VGA
Tastatur
Maus
USB
Hintergrundmusik
CassyLab
CassyLab
• Events werden in Systemzeit gespeichert
und nachträglich integriert
Analyse von EDA Daten
• mitteln (EEG Tradition)
• Minima/Maxima (Boucsein)
• template matching
Analyse von EDA Daten
• Wolfram Boucsein (1992), Electrodermal Activity,
New York: Plenum Press, p. 132.
– The evaluation of phasic changes mainly focuses on irregularly appearing
single events rather than on patterns that may be characterized by changes
in frequency and/or amplitude. Hence, common procedures like power
spectrum or Fourier analyses cannot be used in obtaining parameters from
electrodermal recordings.
– ... most phasic changes of EDA show a rather characteristic course or
Gestalt, which enables the experimenter to separate them from artifacts
with sufficient reliability. Unfortunately, algorithms for the detection of an
EDR Gestalt are not yet available for computer analysis, and therefore it
has to be obtained with the visual aid of an experimenter.
Die ideale EDR Gestalt
• Parameter, die von einer idealen einzelnen EDR
(Typ 1 nach Boucsein) abgeleitet werden können
Amplitude
EDA
Latenz
Stimulus
Anstiegszeit
– Latenz, Amplitude
– Anstiegszeit, Halbwerts/Abklingzeit
50%
Halbwerts
zeit
37%
Abklingzeit
Überlappende EDRs
• Typ 2 nach Boucsein: die erste EDR ist separierbar
– Minimum zu Maximum
– Abziehen der extrapolierten EDR
Überlappende EDRs
• Typ 3 nach Boucsein: kein Maximum der ersten EDR
– Extrapolation nicht mehr möglich
– Wendepunkt versus Summe
suppose we knew the Gestalt
• template matching
– Zerlegen einer engen
Überlagerung von
EDRs in ihre
Bestandteile
– EDA = Summe aus
Basis (hier: linear)
und einer kleinen
Anzahl separater EDRs
– Minimieren des Fehlerquadrates (²)
Eine Gestalt für die EDR
• Zwei-Kompartiment-Modell
–
–
–
–
Ein Agens wird schlagartig in Kompartiment A freigesetzt.
Es diffundiert mit Zeitkonstante k1 ins Kompartiment B.
Von dort wird es mit Zeitkonstante k2 eliminiert.
Es gibt keine Rückdiffusion von B nach A, z.B.:
Kompartiment B ist sehr viel größer als Kompartiment A.
A
a  k1a
k1
B
Bateman Funktion
k2
b  k 2b  k1a

b  C  e  k1t  e k2t

Minimieren des Fehlerquadrates
• Gradientenverfahren (gradient descent)
Minimieren des Fehlerquadrates
• Gradientenverfahren (gradient descent)
– Problem: lokale Minima
• Evolution
Explicit and implicit responses to
environmental sounds
Alex Ronald López Rolón
Christian Kaernbach
Ronny Werner
Institut für Allgemeine Psychologie
Universität Leipzig
Method, Context
3x2x2 Design:
sound
sound
without
with
dimension: context
context
Explicit:
ratings
Implicit:
physiological
response
context
alone
pleasure
arousal
pleasure
arousal
N=15
N=15
N=15
Stimuli
• 7 sounds from IADS sound database (Bradley & Lang)
– “International Affective Digitized Sound System”
•
•
•
•
in total 111 sounds
in analogy to IAPS “International Affective Picture System”
IADS sounds are 6 s long
some sounds in IADS are not well prepared
– IADS sounds come with valence and arousal ratings
• choose 7 sounds such as to “cover the ground”
• 3 sounds from Peter Bailey, University of York
– chalk on blackboard, grinding engine, dropping spade
• 2 musical instrument sounds
• all sounds cut to 2 s length, and leveled in rms power
Stimuli
context
yawning women
laughing baby
crying baby
laughing people
cry of a woman
chant
grunting pig
big engine
squeaking chalk
dropping a spade
bass note on cello
clarinet
9
8
arousal ratings
gähnende Frau
Babylachen
Babyschrei
lachende Menschen
Schrei einer Frau
Gesang
Schweinegrunzen
große Maschine
Kreidequietschen
fallender Spaten
tiefer Celloton
Klarinette
7
6
5
4
3
2
1
1
2
3
4
5
6
7
8
9
pleasure ratings (5 = neutral)
Explicit ratings
• Self Assessment Manikin, SAM (Bradley & Lang)
– pleasure scale
– arousal scale
Explicit ratings
sound
N=15
8
7
6
5
4
3
6
5
4
3
2
1
1
1
pleasure
arousal
6
5
4
3
2
3
4
5
6
7
8
1 2 3 4 5 6 7 8 9
9
pleasure ratings (5=neutral)
pleasure ratings (5=neutral)
1
0.8
0.6
0.4
0.2
0
correlation
with IADS
correlation
with IADS
correlation
with IADS
pleasure ratings (5=neutral)
1
0.8
0.6
0.4
0.2
0
8
7
2
1
2
1 2 3 4 5 6 7 8 9
context alone
N=16
9
arousal ratings
8
7
sound + context
N=14
9
arousal ratings
arousal ratings
9
pleasure
arousal
1
0.8
0.6
0.4
0.2
0
pleasure
arousal
Implicit responses
• Motivation:
– It is often difficult to verbalize one’s feelings
– It might not be politically correct to state
explicitly one’s emotional reaction to certain stimuli
– Emotion systems are different from cognitive systems
• Intact emotional memory in amnesic patient (Claparède, 1911)
• Emotional memory closely linked to implicit memory
• Methods
– physiological responses
• arousal: EDA
• pleasure: facial EMG
EDA analysis
• Fit of appropriate template
Pharmacokinetics suggest: Bateman function
diffusion from compartment A into B with time constant k1
elimination from compartment B with time constant k2
intestines
blood
k1
A
B
b  k 2b  k1a
a  k1a

b  C  e  k1t  e k2t

k2
Event-related EDA (ER-EDA)
• visible increase of activity after event
(N.B: EEhaah! Mamma, we got Event-Related EDA!)
Korrelation zu Ratings „Wohlgefallen“
• ER-EDA ist nicht korreliert zu Wohlgefallen
Korrelation zu Ratings „Erregung“
• ER-EDA ist korreliert zu Erregung
in der Bedingung „Geräusch“
Discussion
• Explicit ratings correlate with IADS ratings
– pleasure: good correlation even for “description only”
– arousal: correlation is best for “sound only”
• Event-related EDA correlates with
arousal ratings for condition “sound only”
– simultaneous visual cue lessens arousal
– context (if given) should be non-predictive
• Ansätze für weitere Forschung:
– Optimierung der Zeitabstände
– nichtprädikativer Kontext
– Vergleich verschiedener Auswertemethoden
Ein Programmpaket
• ein Satz von Matlab Routinen
• zunächst entwickelt für den Eigenbedarf
• wuchs sich aus zu eigenständigem Projekt
Ledalab
Leipzig electrodermal activity laboratory
Paul Prosper Tillier (1834-1915), Öl auf Leinwand, Privatsammlung
ein Softwarepaket zur Analyse von elektrodermaler Aktivität
von Christian Kaernbach
Leda und der Schwan
• Leda: Königin der Spartaner,
Frau von Tyndareos, Geliebte des Zeus (der ihr als Schwan erschien),
Mutter von Castor, Pollux, Helena und Klytemnestra
Keramik aus Kreta, ca. 1000 v. Chr.
Leonardo da Vinci, ca. 1505 n. Chr.
Der Parameterraum
• Template
– zwei Zeitkonstanten
2
• Hintergrund
– Polynom 1. Ordnung
– evtl. Exponential
2
1
• Peaks
N
N
2N+5
– Amplitude
– Zeitpunkt
Der Parameterraum
• Template
– zwei Zeitkonstanten
2
• Hintergrund
– Polynom 1. Ordnung
– evtl. Exponential
2
1
• Peaks
N
N
2N+5
N+2
– Amplitude
– Zeitpunkt
Vandermonde Matrix
für Polynom und (Peak- und Exponential-) Amplituden
Ledalab for you
me
• implementiert als Satz von Matlab Routinen
– template: Bateman Funktion
– stochastisches Abstiegsverfahren, „Evolution“
• line search (Parabelfit) in stochastische Richtung
Ledalab for you
me
• implementiert als Satz von Matlab Routinen
– template: Bateman Funktion, evtl. weitere templates
– konjugiertes Gradientenverfahren, verbesserte Evolution
Ledalab for you
• implementiert als Satz von Matlab Routinen
–
–
–
–
template: Bateman Funktion, evtl. weitere templates
konjugiertes Gradientenverfahren, verbesserte Evolution
50 Seiten Dokumentation mit Index
Nutzer programmiert
Programmierer
• objektorientierte Programmierung
• neue Features nach Nutzeranregungen
• Wartung, Fehlerbehebung,
bedienerfreundliche Meldungen
– web: www.ledalab.de
– groups.yahoo.com/group/ledalab/
[email protected]
– FAQ, Analyse-Bibliothek
Konversions-Routinen
für Input-Daten
Ledalab ermittelt
Latenzen und
Amplituden
Nutzer programmiert
Auswerteroutinen
Fragen
• Gradientenverfahren
 = 0.1 s
 bestimme mit  den konjugierten Gradienten
Betrag des Gradienten kleiner als Limit: Abbruch
gehe  in ermittelte Abstiegsrichtung
² wird größer:
 halbieren, go to 
² wird kleiner:
Leiter 0, , 2, 4, 8, 16.. bis nonmonoton
(evtl. Abbruch, Minimalforderung konvex)
Parabelfit auf letzte drei Punkte, go to 
– optimale Formel für konjugierten Gradienten
– Steuerung des  für den Gradienten, line search
• Evolution
– 1 intelligentes Kind, viele dumme Kinder?
– Ähnlichkeitsmaß für vorzeitigen Exitus
• vergleichende Bewertung
– jeder Peak erniedrigt df (nur) um 2
– evtl. ist die Zahl der Meßpunkte N (600) zu hoch angesetzt
• Abhängigkeit x(n+1) von x(n) überprüfen, N reduzieren
• Analytisches Verfahren statt Optimierung?
• Benchmarking
Danke für die Aufmerksamkeit
Herunterladen