REST-ASMR (Response to Environmental & Sensory Triggers)

REST-ASMR数据集是由国立技术学院贾姆谢德布尔分校与中京大学联合创建的多模态基准资源，旨在系统捕捉自主感官经络反应（ASMR）与自然环境刺激下的生理与行为响应。该数据集包含34名参与者的高精度光电容积脉搏波图（PPG）信号、时间对齐的视听刺激材料以及连续主观标注，形成了以10赫兹采样的密集时间序列矩阵，总计涵盖8段60秒视频的同步多维度记录。数据通过严格的反向平衡实验设计采集，并经过延迟校正、上采样和信号归一化等预处理流程，确保跨模态时间同步性与分析可靠性。该资源主要应用于情感计算、多模态融合建模及个性化数字疗法开发，致力于解析ASMR特有的心血管减速机制，并区分其与自然环境诱导放松的神经生理学差异。The REST-ASMR Dataset is a multimodal benchmark resource jointly created by the National Institute of Technology, Jamshedpur and Chukyo University, which aims to systematically capture physiological and behavioral responses triggered by Autonomous Sensory Meridian Response (ASMR) and natural environmental stimuli. This dataset contains high-resolution photoplethysmography (PPG) signals from 34 participants, time-aligned audio-visual stimulus materials, and continuous subjective annotations, forming dense time-series matrices sampled at 10 Hz, with a total of synchronized multi-dimensional recordings covering 8 sixty-second video clips. The data were collected through a strict counterbalanced experimental design, and underwent preprocessing workflows including delay correction, upsampling, and signal normalization to ensure cross-modal temporal synchronization and analytical reliability. This resource is primarily applied in affective computing, multimodal fusion modeling and personalized digital therapy development, and aims to elucidate the unique cardiovascular deceleration mechanism of ASMR and distinguish its neurophysiological differences from relaxation induced by natural environments.

搜集汇总

数据集介绍

构建方式

在情感计算与感觉神经科学领域，自发性知觉经络反应（ASMR）作为一种独特的躯体感觉现象，因其诱发的愉悦刺痛感和心血管减缓效应而备受关注。然而，该领域长期缺乏标准化的多模态开放数据集。为填补这一空白，REST-ASMR数据集基于34名健康参与者的受控实验构建而成。实验采用拮抗平衡区组设计，同步呈现四段ASMR触发视频与四段自然环境对照视频各60秒，其间穿插120秒清洗期以恢复生理基线。通过光电容积描记术以2000Hz高频采集心血管信号，并以1000Hz记录参与者对刺痛感和愉悦度的连续主观评分（4点李克特量表）。经时滞校正、零阶保持上采样及傅里叶重采样后，所有模态数据被精准同步至10Hz时间分辨率，形成包含544维视听与生理特征的事件对齐矩阵。

特点

该数据集的卓越之处在于其高时态精度与跨模态同步性，为解析ASMR触发机制的动态因果链提供了坚实基础。技术验证表明，97%的参与者成功诱发了目标刺痛感，且个体间主观标注呈现显著时序一致性（p<0.05），凸显了刺激的强效性。源自PPG的心血管分析首次揭示了与ASMR状态唯一耦合的副交感神经减速效应（r=-0.0921），与自然条件形成鲜明对比。此外，强大的基线机器学习评估显示，基于双向长短期记忆网络的帧级分类模型在严格的受试者-视频双重独立交叉验证下，实现了75.51%的全局准确率和71.86%的宏平均F1分数，而视频级ASMR状态判别准确率更达100%，且对自然控制视频的假阳性率为零，充分验证了数据集的生物学效度与算法实用性。

使用方法

研究者可通过Zenodo仓库获取原始事件日志、PPG波形与视音频刺激文件。配套开源Python工具链提供了完整预处理流程，包括日志解析、时滞校正、特征提取及数据对齐，能自动生成标准化多维时序矩阵。核心使用方案聚焦于序列到序列的ASMR状态预测：用户可提取每100毫秒时间步的544维特征（含ResNet-18空间特征、MFCC声学特征及归一化PPG信号），构建BiLSTM等循环神经网络模型。论文明确建议采用四折双重独立交叉验证框架——每折保留25%的受试者及一对特定刺激视频作为测试集，以防止数据泄露并确保泛化评估的严谨性。对于非时序基线分析，XGBoost分类器模型同样适用。这一标准化架构为开发个性化数字疗法、生理引导的生成式ASMR内容创作，以及环境宁静与ASMR放松诱导路径的对比研究提供了可复现的计算范式。

背景与挑战

背景概述

自发性知觉经络反应（ASMR）是一种独特的体感现象，以令人愉悦的刺麻感和心率减慢为特征，但其神经生理机制至今尚未完全阐明。为了弥合主观体验与客观生理测量之间的鸿沟，由印度国立理工学院詹谢普尔分校的Tushar Das与日本中京大学的近藤洋史等研究人员于2026年共同创建了REST-ASMR数据集。该数据集聚焦于一个核心科学问题：如何通过同步多模态数据精确建模ASMR触发刺激与生理反应之间的因果动态。作为首个开放获取的、包含光电容积描记信号与连续行为报告的高时间分辨率资源，REST-ASMR为情感计算、感觉神经科学与人机交互领域提供了具有里程碑意义的标准化基准，有力地推动了放松相关反应的个性化建模研究。

当前挑战

该数据集面临的挑战可分为领域问题与构建过程两个层面。在领域层面，ASMR研究长期受困于缺乏公开、标准化的多模态数据集，致使研究者难以运用机器学习方法精细建模触发刺激与生理反应之间复杂的非线性关系，尤其难以将ASMR诱导的放松与自然景观引发的宁静进行生理学区分。在构建过程中，挑战尤为严峻：首先，需在实验室环境下克服ASMR状态极易受环境干扰的脆弱性，确保97%以上的被试能可靠地诱发目标感受；其次，必须解决多模态数据的时间对齐难题，包括校正视频播放初始化延迟、消除生理信号的运动伪迹，以及将稀疏离散的主观按键评分上采样为密集连续的10Hz时间序列，从而构建无信息泄露的同步数据矩阵。

常用场景

经典使用场景

在情感计算与感官神经科学领域，REST-ASMR数据集的核心价值在于为研究自主感觉经络反应（ASMR）的神经生理机制提供了标准化的多模态基准资源。该数据集通过同步采集光电容积描记（PPG）信号、视听刺激以及连续的主观行为评分（刺麻感与愉悦度），能够支持研究者开展从触发刺激到生理响应的因果动态分析。利用该数据，研究人员可以通过时间对齐的多模态特征（如512维视觉空间特征、31维声学特征以及归一化的PPG时序），构建双向长短期记忆网络（BiLSTM）等序列模型，用于帧级别的ASMR刺麻状态二元分类。实验验证表明，多模态融合模型在视频级别上实现了100%的分类准确率，且在帧级别上达到了75.51%的全局平均准确率与71.86%的宏F1分数，充分证明了其在细粒度时间维度上刻画主观感受的可靠性。

解决学术问题

REST-ASMR数据集的问世有效填补了ASMR研究中标准化开源多模态数据长期缺失的空白，该缺陷此前严重制约了利用统计学、机器学习或深度学习方法对ASMR响应进行精细建模的可能性。该资源的核心学术贡献在于揭示了ASMR状态所特有的副交感神经心血管减速现象——通过Spearman秩相关分析，证明了主观刺麻感强度与即时脉搏率之间存在显著负相关（r = -0.0921），而在自然控制条件下则呈现轻微的正面趋势（r = 0.0556），这一差异在组水平上具有统计学显著性（p = 0.0454）。此外，数据集通过严格的留一受试者间一致性分析（LOO-ISA），验证了不同个体间主观评分随时间的高一致性（如视频3的均值r = 0.539, p < 0.001），从而确认了主观行为标签作为时间解析度机器学习模型可靠标记的有效性。

衍生相关工作

围绕REST-ASMR数据集已催生一系列具有代表性的学术工作，这些研究主要聚焦于多模态融合架构与可解释性生理建模。技术验证中基于ResNet-18视觉特征、31维梅尔频率倒谱系数（MFCCs）及声学特征与归一化PPG信号所构建的BiLSTM序列到序列模型，为该领域的深度学习研究树立了基线标杆。模态消融实验的统计比较（多模态相对于纯视频和纯音频模型的宏F1提升均达显著水平，p值分别为0.0488与0.0039）强调了各模态间的互补关系。此外，非时序XGBoost分类器（宏观F1为62.72%）与序列模型的性能对比，充分论证了ASMR响应的本质时间动态特性。这些衍生工作共同澄清了视觉、听觉和自主神经信号在感官诱发放松之神经生理表征中的差异化贡献，推动了情感计算、感官神经科学与计算生理学的交叉创新。