按用户归一化会抬高腕部 EDA 情绪识别的增益吗？

问题在于归一化统计量来自谁

腕部皮肤电活动（EDA）是用于推断交感神经唤醒的皮肤电导信号，其幅度因人而异。情绪识别模型因此在分类前先对信号重新缩放。论文提出的问题很窄但影响不小：当一个模型在从未见过的受试者上测试时，这次缩放所用的统计量来自谁的数据？

同一传感器和同一个已训练分类器可以对应两种做法。设备第一次被佩戴时，只能用从其他人学到的统计量做归一化，论文称之为全局训练归一化。回顾性基准测试则可以用新用户完整记录算出的统计量，论文称之为按用户校准或按受试者 z 归一化。只有第一种做法描述首次使用时的表现；第二种评估的是一个已经见过被分类者幅度尺度的模型。两者都不算错，但读者若分不清用了哪一种，就无法比较分数。

SAFE-EDA 用专家伪迹标注做预训练

受测模型是 SAFE-EDA，一个紧凑的卷积网络，用 EDABE v2 数据集中 43 名受试者的专家伪迹标注做预训练。伪迹标注标出的是反映传感器或运动问题、而非生理活动的信号片段，因此用这些标注预训练，等于让网络在看到情绪标签之前，先有监督地接触干净的腕部 EDA 和受损坏的腕部 EDA 各是什么样。

对照臂是同一个网络从零训练。两臂都在 WESAD（15 名受试者）上用留一受试者交叉验证评估，把两种归一化来源与 1、4、60、240 个样本四种窗口跳步交叉组合。跳步是相邻分析窗口之间的步长，跳步越大，每折的训练窗口越少、重叠越低：从跳步 1 的 113,778 个降到跳步 240 的 479 个。随机种子在每名受试者内部取平均，对比按受试者配对，因此推断单位是参与者而不是窗口。

按用户统计量缩小增益并使其不再显著

在全局训练归一化下，预训练在每一个跳步上都优于从零训练：跳步 1、4、60、240 个样本时 macro-F1 分别高出 0.0779、0.1098、0.2268、0.2145，四个增益都通过了 Holm 校正。在按受试者 z 归一化下，增益为 0.0202、0.0343、0.0495、0.0426，均不显著。交互作用在跳步 60 时最大，全局训练增益比按受试者 z 增益高 0.1773（95% CI 0.1191 至 0.2311，p = 0.000427）。

论文还说明了全局训练下更大的增益来自哪里。跳步从 1 增到 60 时，从零训练的 macro-F1 下降 0.1350，而迁移臂只变化 0.0139。稀疏窗口主要伤害的是必须从其他受试者推断输入尺度的网络，预训练避免了这部分损失。在按受试者 z 下，同样的跳步变化让从零训练从 0.6762 变为 0.6576，迁移从 0.6964 变为 0.7071。密集窗口会抬高从零训练的基线，因此预训练的实测价值既取决于跳步，也取决于归一化来源。

伪迹监督优于自监督预训练

这一增益并不只是“在更多 EDA 上预训练”的效果。在同样的记录上，用专家伪迹标注预训练比从零训练高 0.078，而自监督预训练只高 0.008。论文报告了打乱标签的对照，说明有监督预训练本身与标签内容都有贡献，因此伪迹信息并非全部原因，但标签内容显然起作用。

仅归一化来源一项也大幅改变了分数。在留一受试者下，把训练受试者的统计量换成被留出受试者的统计量，从零训练的 macro-F1 从 0.5015 升到 0.6762，迁移从 0.5794 升到 0.6964。在按用户归一化、跳步 1 时，迁移臂仅凭腕部 EDA 达到 0.7815 准确率（95% CI 0.7040 至 0.8485）和 0.6964 macro-F1。原始 WESAD 报告的 0.8034 准确率使用多模态胸部传感，落在该区间内，但两项研究的协议并未完全对齐，因此论文把这视为单个腕部传感器能达到什么水平的陈述，而不是对两项研究的排序。

评估划分对分数的影响不亚于归一化

在进入网格之前，作者检查了仅划分方式如何改变单个模型的分数。随机分配窗口时，迁移臂达到 0.9966 macro-F1，而留一受试者下为 0.5794。0.4172 的差异来自随机分配评估的是训练中已出现过的记录，论文只把它当作泄漏能把分数抬高多少的参照。单个固定受试者留出、三个种子时，两臂顺序反转（迁移 0.4787，从零训练 0.5258），说明单一划分有多不稳定。因此其余所有推断都基于留一受试者。

总体增益也掩盖了类别层面的变化。在全局训练归一化下，迁移使 WESAD 的娱乐类准确率变化 −5.94 个百分点，而基线类上升 11.96、压力类上升 9.80；在按受试者 z 下，最大的净变化是娱乐类 +4.57 个百分点。总体增益为正，可以与某一类别的损失同时存在，而增益在各类别间的分布随归一化而变。概率校准与区分能力的变化不同：受试者层面的期望校准误差在按受试者 z 下变化很小（0.2116 到 0.2031，p = 0.48871），但在差分下下降（0.2583 到 0.2263，p = 0.00537），因此 macro-F1 的提升不应被读作校准的提升。

第二个数据集使交互方向反转

在两个数据集的 13 种配置中，预训练网络在 12 种里更好。但在第二个数据集，即 PhysioNet Wearable 的 26 名受试者队列上，按用户归一化反而增大了增益，而不是缩小它。论文在该数据集上的归一化阶梯在跳步 60 时包含五种变换，因此交互作用的方向取决于数据。

作者指出，任务、幅度分布和预处理的差异可能解释这一反转，但一维的 Wearable 扫描无法区分这些因素，而且处理副本中缺失的两个标识符降低了统计功效。诚实的解读是：WESAD 的结果展示了一种机制，而不是一条普遍规律——按用户统计量可以吸收预训练本来要解决的困难，但这是否发生取决于数据集。

很少有 WESAD 研究报告归一化来源

论文对 50 篇已发表 WESAD 研究的方法部分做了编码。28 篇能识别出划分类型（56%，95% Wilson CI 42–69%），其中 13 篇使用留一受试者；26 篇说明了窗口长度（52%，39–65%）；15 篇给出了跳步（30%，19–44%）；6 篇明确说明重叠（12%，6–24%）；11 篇说明了指标聚合方式。只有 5 篇指明了用于计算归一化统计量的数据（10%，4–21%），而这 5 篇中有 4 篇使用被评估用户自己的窗口或基线。

这些计数记录的是某字段是否被描述，而不是底层流程是否可靠，而且该调查是由单一作者编码的固定、非穷尽样本。尽管如此，窗口长度与归一化来源之间的差距并不是报告习惯的差异。窗口长度决定单个样本进入多少信号；归一化来源决定谁的观测塑造了该样本的数值表示。一项研究可以仔细报告前者，却对后者只字不提。

比较分数前先报告归一化来源

论文的实践优先级直接来自这一交互作用：报告的分数应说明划分、窗口长度、跳步、归一化公式、归一化统计量的来源，以及用户数据何时可用。对首次使用监测的评估应只使用预测时可得的信息；完整记录校准回答的是另一个问题。跳步 60 时的 0.1773 交互作用是论文中最清晰的阈值：在全局训练统计量下，预训练约值 0.23 macro-F1，而在按用户统计量下约值 0.05，且与零无法区分。

若干边界限定了这个数字。两个下游数据集记录的都是实验室诱发的情绪，而 0.7815 的纯腕部准确率是在按用户归一化下得到的，因此两者都不能确立日常生活或临床场景中的表现。固定的 12 轮训练预算使稀疏跳步下的损失尚未收敛，因此部分实测增益反映的是优化更快，而不是最终解更好。该效应只在一个骨干网络上得到确立，分解分支大多未激活，经典基线和置换对照只在全局训练、跳步 1 下运行。论文没有声称优于其他紧凑模型。

因此值得带走的判断是有条件的，而非普遍的：如果一个基准用被评估用户自己的记录来设定输入尺度，它的预训练增益衡量的是校准之后的表现，而 SAFE-EDA 在 WESAD 上展示的首次使用收益，可能比报告数字所暗示的小好几倍。按用户统计量是帮助还是损害实测增益取决于数据集，所以归一化来源应当写在分数旁边，而不是放在附录里。

本文引用的文献