AMIGOS

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。The AMIGOS Dataset was co-created by research teams from the School of Computer Science and Electronic Engineering at Queen Mary University of London and the Department of Information Engineering and Computer Science at the University of Trento, aiming to conduct multimodal research on emotions, personality traits and moods. This dataset contains neurophysiological signal recordings such as electroencephalography (EEG), electrocardiography (ECG) and galvanic skin response (GSR) from 40 participants while watching short and long videos across different social contexts (individual and group settings). Additionally, high-definition facial videos, full-body RGB and depth videos of the participants were also recorded. The application fields of this dataset include affective computing, personality recognition and social context analysis, aiming to address the problem of how to accurately predict and understand human emotional states and personality traits through neurophysiological signals.

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。