有没有相关的论文或文献参考？
这个数据集是基于什么背景创建的？
数据集的作者是谁？
能帮我联系到这个数据集的作者吗？
这个数据集如何下载？
AMIGOS|情感计算数据集|个性识别数据集
收藏arXiv2017-04-14 更新2024-06-21 收录
下载链接：
http://www.eecs.qmul.ac.uk/mmv/datasets/amigos/
下载链接
链接失效反馈资源简介：
AMIGOS数据集是由伦敦玛丽女王大学计算机科学与电子工程学院和特伦托大学信息工程与计算机科学系的研究团队共同创建的，旨在进行多模态的情感、个性特质及情绪研究。该数据集包含40名参与者在不同社交情境（个体与群体）下观看短长视频时的神经生理信号记录，如脑电图（EEG）、心电图（ECG）和皮肤电反应（GSR）。此外，还记录了参与者的面部高清视频和全身RGB及深度视频。数据集的应用领域包括情感计算、个性识别和社交情境分析，旨在解决如何通过神经生理信号准确预测和理解人类情感状态及个性特征的问题。
提供机构：
伦敦玛丽女王大学计算机科学与电子工程学院
创建时间：
2017-02-02
AI搜集汇总
数据集介绍
构建方式
AMIGOS数据集通过精心设计的实验设置，收集了多模态的情感、人格特质和情绪数据。实验分为两个主要部分：第一部分涉及40名参与者观看16个短情感视频，第二部分则涉及参与者观看4个长视频，其中部分参与者在单独环境下观看，另一部分则在小组环境下观看。所有参与者的神经生理信号，包括脑电图（EEG）、心电图（ECG）和皮肤电反应（GSR），以及面部高清视频和全身RGB及深度视频，均通过可穿戴传感器进行记录。此外，参与者的人格特质和情绪状态通过Big-Five人格特质模型和Positive Affect and Negative Affect Schedules (PANAS)进行评估。情感状态的标注既包括自我评估，也包括外部评估，确保了数据的全面性和可靠性。
特点
AMIGOS数据集的显著特点在于其多模态数据的全面性和实验设计的多样性。数据集不仅包含了神经生理信号和视频记录，还结合了自我评估和外部评估的情感标注，使得研究者能够从多个维度分析情感、人格和情绪的相互作用。此外，数据集特别关注了个体和群体在不同社交情境下的情感反应，填补了现有数据集在这一领域的空白。通过这种设计，AMIGOS数据集为研究情感计算、人格识别和情绪分析提供了丰富的资源和基准。
使用方法
AMIGOS数据集适用于多种研究目的，包括情感分类、人格特质预测和情绪状态识别。研究者可以利用数据集中的神经生理信号（如EEG、ECG和GSR）、视频记录以及情感和人格的标注数据，开发和验证新的情感识别算法。数据集的多模态特性允许研究者探索不同模态之间的融合策略，以提高情感和人格识别的准确性。此外，数据集还支持对个体和群体在不同社交情境下情感反应的比较研究，为理解社交互动中的情感动态提供了宝贵的数据支持。
背景与挑战
背景概述
AMIGOS数据集由Juan Abdon Miranda-Correa、Mojtaba Khomami Abadi、Nicu Sebe和Ioannis Patras等人创建，旨在研究个体和群体的情绪、人格特质和心境。该数据集于2017年发布，通过使用神经生理信号（如脑电图、心电图和皮肤电反应）以及视频记录，捕捉了40名参与者在观看情感视频时的多模态反应。AMIGOS数据集的独特之处在于其考虑了社会背景，即个体观看和群体观看两种情境，这对于理解情绪和人格在不同社交环境中的表现具有重要意义。该数据集的发布为情感计算领域提供了新的研究工具，特别是在情感状态预测、人格特质识别和心境评估方面。
当前挑战
AMIGOS数据集面临的挑战包括：1) 在构建过程中，如何确保神经生理信号的准确性和同步性，尤其是在使用可穿戴设备时；2) 如何有效地从多模态数据中提取有意义的特征，以区分不同的情感状态和人格特质；3) 在个体和群体情境下，情绪和人格表现的差异性分析，这需要复杂的统计方法和机器学习技术；4) 数据集的标注问题，包括自我评估和外部评估的一致性，以及如何处理标注中的主观性和不一致性。这些挑战为研究人员提供了深入探索情感计算和多模态数据分析的机会。
常用场景
经典使用场景
AMIGOS数据集在情感计算领域中被广泛用于研究个体和群体的情绪、人格特质和心境。其经典使用场景包括通过多模态信号（如脑电图、心电图和皮肤电反应）来分析个体在观看情感视频时的情绪反应，以及这些反应如何受到人格特质和心境的影响。此外，数据集还特别关注了社会情境对情绪表达的影响，通过对比个体单独观看视频和群体观看视频时的情绪反应，揭示了社会互动对情绪体验的调节作用。
解决学术问题
AMIGOS数据集解决了情感计算领域中多个重要的学术研究问题。首先，它填补了现有数据集中缺乏对群体情境下情绪反应研究的空白，为研究社会互动对情绪的影响提供了宝贵的数据支持。其次，数据集通过整合神经生理信号和人格特质、心境的测量，推动了对情绪、人格和心境之间复杂关系的理解。此外，AMIGOS数据集还为开发基于生理信号的情绪识别算法提供了基准，促进了情感计算技术的发展。
衍生相关工作
AMIGOS数据集的发布催生了一系列相关研究工作。例如，有研究利用该数据集开发了基于脑电图和皮肤电反应的情绪识别模型，显著提高了情绪分类的准确性。此外，还有研究探讨了人格特质和心境对情绪反应的影响，揭示了不同人格类型在观看情感视频时的情绪差异。这些研究不仅深化了对情绪、人格和心境关系的理解，还为情感计算领域的技术创新提供了新的思路和方法。
以上内容由AI搜集并总结生成
数据主题
5,000+
优质数据集
54 个
任务类型
进入经典数据集
热门数据集
Visual Genome
Visual Genome contains Visual Question Answering data in a multi-choice setting. It consists of 101,174 images from MSCOCO with 1.7 million QA pairs, 17 questions per image on average. Compared to the Visual Question Answering dataset, Visual Genome represents a more balanced distribution over 6 question types: What, Where, When, Who, Why and How. The Visual Genome dataset also presents 108K images with densely annotated objects, attributes and relationships.
Papers with Code 收录
中国区域地面气象要素驱动数据集 v2.0（1951-2024）
中国区域地面气象要素驱动数据集（China Meteorological Forcing Data，以下简称 CMFD）是为支撑中国区域陆面、水文、生态等领域研究而研发的一套高精度、高分辨率、长时间序列数据产品。本页面发布的 CMFD 2.0 包含了近地面气温、气压、比湿、全风速、向下短波辐射通量、向下长波辐射通量、降水率等气象要素，时间分辨率为 3 小时，水平空间分辨率为 0.1°，时间长度为 74 年（1951~2024 年），覆盖了 70°E~140°E，15°N~55°N 空间范围内的陆地区域。CMFD 2.0 融合了欧洲中期天气预报中心 ERA5 再分析数据与气象台站观测数据，并在辐射、降水数据产品中集成了采用人工智能技术制作的 ISCCP-ITP-CNN 和 TPHiPr 数据产品，其数据精度较 CMFD 的上一代产品有显著提升。 CMFD 历经十余年的发展，其间发布了多个重要版本。2019 年发布的 CMFD 1.6 是完全采用传统数据融合技术制作的最后一个 CMFD 版本，而本次发布的 CMFD 2.0 则是 CMFD 转向人工智能技术制作的首个版本。此版本与 1.6 版具有相同的时空分辨率和基础变量集，但在其它诸多方面存在大幅改进。除集成了采用人工智能技术制作的辐射和降水数据外，在制作 CMFD 2.0 的过程中，研发团队尽可能采用单一来源的再分析数据作为输入并引入气象台站迁址信息，显著缓解了 CMFD 1.6 中因多源数据拼接和气象台站迁址而产生的虚假气候突变。同时，CMFD 2.0 数据的时间长度从 CMFD 1.6 的 40 年大幅扩展到了 74 年，并将继续向后延伸。CMFD 2.0 的网格空间范围虽然与 CMFD 1.6 相同，但其有效数据扩展到了中国之外，能够更好地支持跨境区域研究。为方便用户使用，CMFD 2.0 还在基础变量集之外提供了若干衍生变量，包括近地面相对湿度、雨雪分离降水产品等。此外，CMFD 2.0 摒弃了 CMFD 1.6 中通过 scale_factor 和 add_offset 参数将实型数据化为整型数据的压缩技术，转而直接将实型数据压缩存储于 NetCDF4 格式文件中，从而消除了用户使用数据时进行解压换算的困扰。 本数据集原定版本号为 1.7，但鉴于本数据集从输入数据到研制技术都较上一代数据产品有了大幅的改变，故将其版本号重新定义为 2.0。
国家青藏高原科学数据中心 收录
China Health and Nutrition Survey (CHNS)
China Health and Nutrition Survey（CHNS）是一项由美国北卡罗来纳大学人口中心与中国疾病预防控制中心营养与健康所合作开展的长期开放性队列研究项目，旨在评估国家和地方政府的健康、营养与家庭计划政策对人群健康和营养状况的影响，以及社会经济转型对居民健康行为和健康结果的作用。该调查覆盖中国15个省份和直辖市的约7200户家庭、超过30000名个体，采用多阶段随机抽样方法，收集了家庭、个体以及社区层面的详细数据，包括饮食、健康、经济和社会因素等信息。自2011年起，CHNS不断扩展，新增多个城市和省份，并持续完善纵向数据链接，为研究中国社会经济变化与健康营养的动态关系提供了重要的数据支持。
www.cpc.unc.edu 收录
The MaizeGDB
The MaizeGDB（Maize Genetics and Genomics Database）是一个专门为玉米（Zea mays）基因组学研究提供数据和工具的在线资源。该数据库包含了玉米的基因组序列、基因注释、遗传图谱、突变体信息、表达数据、以及与玉米相关的文献和研究工具。MaizeGDB旨在支持玉米遗传学和基因组学的研究，为科学家提供了一个集成的平台来访问和分析玉米的遗传和基因组数据。
www.maizegdb.org 收录
MeSH
MeSH（医学主题词表）是一个用于索引和检索生物医学文献的标准化词汇表。它包含了大量的医学术语和概念，用于描述医学文献中的主题和内容。MeSH数据集包括主题词、副主题词、树状结构、历史记录等信息，广泛应用于医学文献的分类和检索。
www.nlm.nih.gov 收录