EmotiBit生理信号数据集

该数据集由28名参与者完成24个陈述评估任务，共672个试验组成。每个试验都记录了参与者的皮肤电导(EDA)和周围血流(PPG)信号，并标注了参与者是否相信陈述以及他们是否之前见过这个陈述。该数据集为研究对虚假信息的生理反应提供了一个新的资源，并使用机器学习模型分析了这些生理模式。结果表明，皮肤电导(EDA)在预测准确率方面优于PPG。这些发现表明，可穿戴传感器作为一种最小的侵入性工具，在检测信念和先前接触方面具有潜力，为实时虚假信息检测和自适应、用户感知系统提供了新的方向。This dataset comprises 672 trials generated from 24 statement evaluation tasks completed by 28 participants. For each trial, the participants' skin conductance (EDA) and peripheral blood flow (PPG) signals were recorded, alongside annotations indicating whether the participant believed the given statement and whether they had previously encountered the statement. This dataset provides a novel resource for researching physiological responses to misinformation, and machine learning models were employed to analyze these physiological patterns. The results demonstrate that skin conductance (EDA) outperforms PPG in terms of prediction accuracy. These findings suggest that wearable sensors, as minimally invasive tools, hold potential for detecting belief and prior exposure, opening new directions for real-time misinformation detection and adaptive, user-aware systems.

搜集汇总

数据集介绍

构建方式

EmotiBit生理信号数据集的构建基于一项精心设计的控制实验，旨在探究穿戴式传感器在检测个体对虚假信息信念及重复暴露反应中的潜力。研究团队招募了28名参与者，在评估一系列陈述时佩戴EmotiBit传感器，同步采集皮肤电活动（EDA）和周边血流信号（PPG）。每个试验均标注了参与者是否相信陈述内容以及是否曾见过该陈述，最终形成包含672个标记试验的数据集。数据采集过程中，通过时间戳同步技术确保生理信号与评估任务的精确对齐，同时采用z-score标准化处理以减少个体间差异，为后续分析提供了高质量的数据基础。

特点

该数据集的核心特点在于其独特的双模态生理信号标注体系与认知任务的深度结合。数据集不仅包含原始的EDA和PPG时间序列数据，还整合了参与者对陈述的信念标签（相信/不相信）和重复暴露标签（重复/未重复），形成四类复合标签条件。EDA信号以15Hz采样，敏感捕捉交感神经系统活动；PPG信号以25Hz采样，反映心血管动态变化。数据分布显示信念标签存在适度倾斜（62.15%相信），而重复标签接近平衡，这种真实场景下的数据不平衡性为模型鲁棒性研究提供了天然测试场。多维度特征工程覆盖时域统计量、频域特征及复杂度指标，为探索生理反应与认知状态的关联提供了丰富分析维度。

使用方法

该数据集支持多层次的研究范式，主要应用于三类机器学习任务：基于EDA/PPG信号的二元信念分类、二元重复暴露分类以及四元复合标签分类。使用前需进行严格的数据预处理，包括信号分段、异常值剔除与特征标准化。研究论文中采用KNN、CNN和LightGBM三种模型进行基准测试，推荐采用参与者级分层划分（80%训练/20%测试）确保泛化性。对于高级应用，可尝试多模态融合策略或时序建模架构以挖掘信号间的互补信息。数据集特别适合探究穿戴式生物信号在实时错误信息检测、自适应人机交互系统等前沿场景中的应用潜力。

背景与挑战

背景概述

EmotiBit生理信号数据集由澳大利亚国立大学、格里菲斯大学和科廷大学的研究团队于2025年创建，旨在探索可穿戴传感器在检测虚假新闻信念中的潜力。该数据集通过EmotiBit传感器采集了28名参与者的皮肤电活动（EDA）和光电容积图（PPG）信号，共计672次试验，每次试验均标注了参与者对陈述的信念状态及是否曾接触过该信息。这一创新性研究填补了生理信号与认知状态关联领域的空白，为实时虚假新闻检测和自适应系统提供了新的研究方向。

当前挑战

该数据集面临多重挑战：在领域问题层面，如何从生理信号中准确识别信念状态和重复暴露效应仍存在显著困难，当前最佳模型准确率仅达67.83%；在构建过程中，需克服个体生理差异大、信号噪声干扰以及多模态数据同步等难题。此外，数据标注依赖于参与者自我报告，可能引入主观偏差，而四分类任务中类别不平衡问题进一步增加了建模复杂度。

常用场景

经典使用场景

EmotiBit生理信号数据集在认知与情感计算领域具有重要应用价值，尤其在研究人类对虚假信息的生理反应方面表现突出。该数据集通过皮肤电活动（EDA）和光电容积描记（PPG）信号，为探索人类面对重复或虚假信息时的自主神经系统反应提供了独特视角。其经典使用场景包括设计受控实验，让参与者在评估信息真实性时佩戴EmotiBit传感器，同步记录其生理反应与认知判断，从而揭示生理信号与信念形成之间的潜在关联。

解决学术问题

该数据集有效解决了虚假信息检测领域的关键学术问题。传统基于文本分析的虚假新闻检测方法往往忽略人类生理反应的隐含维度，而EmotiBit数据集通过量化皮肤电导与血流信号，首次建立了生理特征与认知信念之间的实证关联。其意义在于揭示了重复曝光效应（如虚幻真实效应）的生理标记，为理解非理性信念形成机制提供了新的生物计量学证据，推动了认知神经科学与信息可信度评估的跨学科融合。

衍生相关工作

该数据集已衍生出多个经典研究方向。在方法论层面，研究者开发了基于KNN、CNN和LightGBM的多模态融合算法，优化了生理信号的时序建模能力。在理论层面，后续工作深入探讨了EDA信号对情绪唤醒的敏感性机制，以及PPG特征在认知负荷评估中的补偿作用。代表性研究包括基于注意力机制的欺骗检测模型开发，以及将实验范式扩展至跨文化语境下的信念形成研究。