DEAP dataset

该数据集用于情绪分类，通过记录32名参与者在观看40个音乐视频时的EEG和外围生理信号。参与者对每个视频的唤醒度、效价、喜好、支配性和熟悉度进行了评分。数据集包含了所有记录的信号数据、部分参与者的正面视频以及参与者的主观评分。

本数据集旨在情绪分类领域的研究，收录了32位受试者在观赏40部音乐视频过程中所采集的脑电图（EEG）以及周边生理信号。受试者针对每部视频的觉醒水平、情感价值、偏好程度、支配性以及熟悉感进行了评分。数据集囊括了所有信号数据的记录、部分正面视频片段以及受试者的主观评价。

原始信息汇总

数据集概述

数据集名称

DEAP 数据集

数据集用途

用于基于 EEG 信号的情绪分类，以实现高精度的机器学习技术应用。

实验设计

• 参与者：32 名
• 实验内容：参与者观看 40 个音乐视频，同时记录其 EEG 和外围生理信号。
• 情绪评估：参与者对每个视频进行唤醒度、效价、喜好度、支配度和熟悉度的评分。
• 额外记录：22 名参与者的正面脸部视频也被记录。

数据集内容

• 信号数据：所有记录的 EEG 和外围生理信号。
• 视频数据：部分参与者的正面脸部视频。
• 主观评分：参与者的情绪评分数据。

搜集汇总

数据集介绍

构建方式

DEAP数据集的构建基于32名参与者在观看40段音乐视频时的脑电图（EEG）和外围生理信号记录。这些视频作为视觉刺激，旨在引发不同的情绪反应。实验过程中，参与者对每段视频的情感维度进行了主观评分，包括唤醒度、效价、喜好度、支配度和熟悉度。此外，22名参与者的面部视频也被记录，以捕捉其情绪表达。所有记录的数据，包括信号数据、面部视频和主观评分，均被整合到数据库中，形成了一个全面的情感分析数据集。

特点

DEAP数据集的特点在于其多维度的情感数据采集，不仅包括高精度的EEG信号，还涵盖了外围生理信号和面部表情视频。这种多模态数据的结合为情感分析提供了丰富的特征来源。此外，数据集中的主观评分为机器学习模型提供了明确的标签，使得情感分类任务更加精确。数据集的规模适中，既保证了数据的多样性，又便于进行高效的模型训练和验证。

使用方法

使用DEAP数据集时，首先需将数据集存储在指定的文件夹中，通常为`data/`目录。随后，通过运行`runFile.py`文件，可以加载数据集并进行预处理。数据预处理步骤可能包括信号滤波、特征提取和标签编码等。预处理完成后，可以使用机器学习算法对数据进行训练和测试，以实现情感分类任务。数据集的多模态特性允许研究者根据需求选择不同的数据源进行模型训练，从而提高情感分析的准确性和鲁棒性。

背景与挑战

背景概述

DEAP数据集（Database for Emotion Analysis using Physiological Signals）由英国伦敦玛丽女王大学的研究团队于2012年创建，旨在通过脑电图（EEG）和外围生理信号分析人类情感状态。该数据集的核心研究问题在于如何利用生理信号准确识别和分类情感，特别是在音乐视频作为情感诱发刺激的情境下。DEAP数据集包含32名参与者在观看40段音乐视频时的EEG信号、外围生理信号以及主观情感评分，涵盖了唤醒度、效价、喜好度、支配度和熟悉度等多个维度。该数据集为情感计算、脑机接口和心理学研究提供了重要的数据支持，推动了基于生理信号的情感识别技术的发展。

当前挑战

DEAP数据集在解决情感识别问题时面临多重挑战。首先，情感本身具有高度主观性和复杂性，如何从生理信号中提取有效特征以准确反映情感状态是一个关键难题。其次，EEG信号易受噪声干扰，数据预处理和特征提取的精度直接影响模型的性能。此外，数据集的构建过程中也面临挑战，例如如何设计有效的实验范式以诱发多样化的情感状态，以及如何确保数据采集的一致性和可靠性。尽管DEAP数据集为情感识别研究提供了丰富的数据资源，但其在跨被试泛化能力和实时应用方面仍需进一步探索和改进。

常用场景

经典使用场景

DEAP数据集广泛应用于情感计算领域，特别是在基于脑电图（EEG）信号的情感分类研究中。研究者们利用该数据集中的EEG和生理信号数据，结合机器学习算法，对参与者在观看音乐视频时产生的情感状态进行分类和预测。这一数据集为情感识别提供了丰富的数据支持，使得研究者能够深入探索情感与生理信号之间的复杂关系。

衍生相关工作

DEAP数据集的发布催生了一系列经典的研究工作，特别是在情感识别和机器学习领域。许多研究者基于该数据集开发了多种情感分类模型，如支持向量机（SVM）、卷积神经网络（CNN）和长短期记忆网络（LSTM）等。这些模型不仅在学术研究中取得了显著的成果，还为实际应用中的情感识别系统提供了技术基础。此外，DEAP数据集还激发了多模态情感识别的研究，推动了情感计算领域的多元化发展。

数据集最近研究

最新研究方向

近年来，基于DEAP数据集的脑电信号（EEG）情感分析研究在情感计算领域取得了显著进展。研究者们利用机器学习技术，特别是深度学习模型，对EEG信号进行特征提取和分类，以实现对情感状态的高精度识别。当前的研究热点集中在多模态数据融合，如将EEG信号与面部表情视频数据结合，以提升情感识别的准确性和鲁棒性。此外，随着个性化情感计算需求的增加，研究者们开始探索如何利用DEAP数据集中的主观评分数据，构建个性化的情感模型。这些研究不仅推动了情感计算技术的发展，也为心理健康监测、人机交互等应用领域提供了新的可能性。