Vetenskap kräver mätningar, men det kräver naturligtvis också en förståelse för vad vi mäter. Enbart mätning leder oss inte särskilt långt.
Vetenskapen om känslor är en process som kräver mätning av de signaler som genereras av våra kroppar. Eftersom känslor genereras i våra kroppar följer att data också finns där. Kroppen avger många signaler, och dessa är sällan bara slumpmässiga processer – i stället speglar de något om vårt fysiologiska eller psykologiska tillstånd.
Att avgöra vilka signaler man ska följa är då en ny utmaning. Lyckligtvis har det redan gjorts en hel del arbete på detta område, – ett av de viktigaste sätten att mäta känslomässig upphetsning är genom att detektera den galvaniska hudresponsen (GSR, annars mer allmänt känd som elektrodermal aktivitet eller EDA).
GSR hänvisar till variationen i hudens elektriska ledningsförmåga som svar på hudsekret (ofta i mycket små mängder). Dessa data samlas in genom att applicera en låg, omätbar och konstant spänning på huden och sedan mäta hur hudens konduktans varierar . Detta kan göras genom att applicera elektroder på huden (och naturligtvis en apparat som mäter denna aktivitet).
Samtidigt som GSR-aktiviteten också är kopplad till regleringen av vår inre temperatur , har forskningen också upprepade gånger visat det starka samband som denna signal har med känslomässig upphetsning . De signaler som produceras av det sympatiska nervsystemet leder till en förändring av Skin Conductance Response (SCR), vilket är det som forskarna vanligtvis tittar på.
Vad är SCR / SCL?
SCR är proportionellt relaterat till antalet svettkörtlar som aktiveras, vilket i huvudsak innebär att ju mer känslomässigt upphetsad en individ är, desto mer ökar SCR-värdet. Man kan också dra slutsatsen att SCR-amplituden är ett lämpligt mått på aktiviteten i det sympatiska nervsystemet.
SCR kallas ofta för en ”topp” i aktiviteten (och därmed en ”GSR-topp”) eftersom den uppträder som en snabb ökning av signalvärdet. Om SCR uppträder som svar på ett stimulus (vanligtvis inom 1-5 sekunder ) kallas det för ett händelsestyrt SCR (ER-SCR), medan om det uppträder utan någon urskiljbar orsak kallas det för ett icke-specifikt SCR (NS-SCR).
Men även om SCR är en komponent av GSR-aktiviteten representerar detta endast den snabbt föränderliga signalen som svar på ett stimulus. Den andra komponenten är den toniska, kontinuerliga, långsamt föränderliga Skin Conductance Level (SCL).
Ett centralt problem vid analysen av GSR-data är hur dessa två signaler ska separeras. När vi tittar på data finns det ingen tydlig linje som avgränsar vilket som är vilket; vi måste utföra denna beräkning själva. Nedan kommer vi att ge dig en genomgång av ett av de vanligaste sätten att göra detta på, för att ge dig en bättre förståelse för vad som händer bakom kulisserna vid analys av GSR-data, och för att ge dig en tydligare väg att utföra detta själv.
GSR-toppar
Men även om SCR-toppar är snabba i sitt uppträdande tar signalen som de producerar längre tid på sig för att sjunka till baslinjen. Detta innebär i slutändan att om en annan SCR inträffar kort efter en annan, kommer de totala GSR-aktivitetsnivåerna att öka ännu mer. Denna kumulativa effekt kan leda till en underskattning av SCR-amplituden, eftersom den verkliga ”tröskeln” (början på den aktivitetsökning som är relaterad till SCR) döljs i den långsamma nedgången av den tidigare aktivitetstoppen.
För att komma runt några av effekterna av denna effekt kan data filtreras för att ge en tydligare bild av processerna. Det första steget är att göra ett genomsnitt av uppgifterna. Detta kan göras genom att dela upp data i diskreta fönster (t.ex. +/- 4 sekunder) och sedan medelvärdesberäkna de värden som finns inom denna tidsram. Detta medelvärde kan sedan extraheras från värdena för att ge en normaliserad bild av data (i teorin med den toniska datasignalen till stor del borttagen).
När detta är klart går det att ta bort en del av bakgrundsbruset från signalen. Detta kan till exempel uppstå på grund av att GSR-enheten befinner sig för nära en dator och oavsiktligt fångar upp elektriska signaler. Genom att tillämpa ett lågpassfilter, där värdena måste passera över ett visst tröskelvärde, avlägsnas signalens värden i det lägre intervallet.
Efter detta kan flera parametrar ställas in för att exakt upptäcka förekomsten av en GSR-topp. Dessa inkluderar start och förskjutning, tröskelvärdet för toppförstärkning och tröskelvärdet för signalhopp.
Värdena för start och förskjutning av eventuella toppar måste ställas in för att bestämma signalens uppgång och nedgång. Förekomsten av onset och offset (i mikro-Siemens, µS) kan skapas för att filtrera signalens riktning.
Detta görs typiskt som att ställa in onset till >0,1 µS (så att endast signaler som rör sig över detta värde betraktas som en potentiell topp), medan offset vanligtvis ställs in som <0.0 µS (så att signalvärdet måste minska, vilket gör det möjligt att upptäcka en topp, annars skulle en kontinuerlig ökning uppfylla kriterierna hittills).
Tröskelvärdet för toppförstärkning ställs in för att bestämma vilket värde (vanligtvis inställt på 0.05 µS) som toppen måste passera över efter start för att kunna spåras som en topp (och inte bara en gradvis ökning av data).
Tröskelvärdet för signalhopp fungerar som en gräns för toppförstärkningsmängden – varje värde som passerar över detta tröskelvärde (t.ex. 0.1 µS) inom ett prov till nästa anses vara för snabbt stigande för att återspegla en verklig fysiologisk process och förkastas därför.
Med dessa gränsvärden fastställda bör en räkning av datapunkterna återspegla antalet GSR-toppar som finns i data.
Data kan också aggregeras mellan deltagarna för att ge en tydligare bild av potentiella gruppeffekter. Genom att jämföra antalet GSR-toppar kan man till exempel få reda på vilken grupp som totalt sett uppvisade en ökning eller minskning av känslomässig upphetsning som svar på ett stimulus.
Ovanstående process utförs i princip automatiskt i iMotions (du behöver bara klicka dig igenom analysen och ändra standardvärdena vid behov), vilket minskar bördan av att beräkna denna analys själv. Detta är också lätt att implementera på gruppnivå, vilket ger dig en tydlig väg till att förstå hur känslomässiga upphetsningsnivåer kan skilja sig åt mellan grupper.
Vad kan dessa data berätta?
GSR-data kan ge ett mått på hur starkt en känsla upplevdes, dock inte känslans riktning. Ökningar i GSR-aktivitet har varit direkt relaterade till en mängd olika känslotillstånd, vilket visar på betydelsen av detta fysiologiska svar i upplevelsen av känslor .
Bestämning av mängden SCR-förekomster ger ett sätt att kvantifiera skillnaderna mellan individer eller grupper, vilket ger en inblick i hur reaktioner på olika stimuli kan uppstå, eller om det finns variationer bland befolkningar som svar på samma stimulus. Med allt detta i åtanke kan vi börja förstå riktigt vad vi mäter när det gäller känslor.
Jag hoppas att det här inlägget har gett dig ny kunskap kring SCR, liksom GSR i allmänhet. För att få en mer komplett och grundlig förståelse kan du ladda ner vår kostnadsfria guide nedan.
Benedek, M., & Kaernbach, C. (2010). Ett kontinuerligt mått på fasisk elektrodermal aktivitet. Journal of Neuroscience Methods, 190(1), 80-91. doi:10.1016/j.jneumeth.2010.04.028
Fowles DC, Christie MJ, Edelberg R, Grings WW, Lykken DT, Venables PH. Rekommendationer för publicering av elektrodermiska mätningar. Psychophysiology, 1981;18(3):232-9.
Wenger CB. Termoreglering. In: Freedberg IM, Eisen AZ, Wolff K, Austen KF, Goldsmith LA, Katz SI, red. Dermatology in general medicine, 1. New York:
Boucsein W. Electrodermal activity. New York: Plenum University Press; 1992.
Critchley, H. (2002). Review: Electrodermal Responses: What Happens in the Brain. The Neuroscientist, 8(2), pp.132-142.
Anders, S., Lotze, M., Erb, M., Grodd, W. and Birbaumer, N. (2004). Hjärnaktivitet som ligger till grund för känslomässig valens och upphetsning: En svarsrelaterad fMRI-studie. Human Brain Mapping, 23(4), pp.200-209.
Dawson ME, Schell AM, Filion DL. Det elektrodermala systemet. In: Cacioppo JT, Tassinary LG, Berntson GG, red. Handbook of psychophysiology. Cambridge: University Press; 2007. s. 159-81.
Kreibig, S. D. (2010). Autonoma nervsystemets aktivitet vid känslor: A review. Biological Psychology, vol. 84, no. 3, s. 394-421.