FACED

FACED数据集是由清华大学脑与智能实验室和智能技术与系统国家重点实验室共同创建，包含从123名参与者收集的32通道EEG信号，用于情感计算研究。数据集通过记录参与者观看28个情感诱发视频片段时的EEG信号构建，旨在通过EEG信号分析情感状态。创建过程中，数据经过标准化和统一预处理，设计了四个EEG分类任务。该数据集主要应用于情感识别和脑机接口领域，旨在解决情感计算中的分类问题，提高情感识别的准确性和效率。

The FACED dataset was co-established by the Brain and Intelligence Laboratory of Tsinghua University and the State Key Laboratory of Intelligent Technology and Systems. It includes 32-channel EEG signals collected from 123 participants, and is intended for affective computing research. The dataset was constructed by recording the EEG signals of participants while they viewed 28 emotion-eliciting video clips, with the goal of analyzing emotional states via EEG signals. During its development, the data underwent standardization and unified preprocessing, and four EEG classification tasks were designed. This dataset is mainly applied in the fields of emotion recognition and brain-computer interfaces, aiming to address classification issues in affective computing and improve the accuracy and efficiency of emotion recognition.

搜集汇总

数据集介绍

构建方式

FACED数据集的构建基于123名参与者观看28个情绪诱发视频片段的32通道脑电信号记录。经过标准化的数据预处理，剔除最后两个通道并保留每个视频片段的最后30秒数据，提取五个频带（delta, theta, alpha, beta, gamma）的特征。数据集被划分为四个分类任务，分别基于9维和2维的情绪标签，以及跨受试者和受试者内的数据分割方法。

使用方法

使用FACED数据集时，研究者可以选择不同的数据分割协议（如跨受试者和受试者内）和情绪标签维度（9维或2维）。通过GNN4EEG工具包，用户可以轻松实现多种图神经网络模型（如DGCNN, RGNN, SparseDGCNN, HetEmotionNet），并配置不同的验证协议（如交叉验证、固定周期交叉验证和嵌套交叉验证）。工具包还支持自动超参数调优，便于用户在实际应用中高效地训练和评估模型。

背景与挑战

背景概述

FACED数据集是由北京交通大学和清华大学的研究人员共同创建的，旨在推动脑电图（EEG）分类任务的研究。该数据集收集了123名参与者在观看28个情感诱发视频片段时的32通道EEG信号，是迄今为止最大的情感计算数据集之一。FACED数据集的构建旨在解决传统EEG分类模型在处理脑电信号时忽视或未能充分利用脑电信号拓扑信息的问题。通过引入图神经网络（GNN），FACED数据集为研究人员提供了一个强大的工具，以探索如何通过图结构模型来更好地利用EEG信号中的拓扑信息，从而提升分类性能。

当前挑战

FACED数据集在构建和应用过程中面临多个挑战。首先，如何有效地处理和分析多通道时间序列EEG数据，以捕捉其内在的拓扑结构，是一个复杂的问题。其次，数据集的构建过程中需要确保数据的多样性和代表性，以避免过拟合和提高模型的泛化能力。此外，EEG信号的个体差异性较大，如何在跨受试者分类任务中保持模型的稳定性和准确性也是一个重要的挑战。最后，如何设计有效的验证协议和评估方法，以确保模型在不同设置下的性能可比性和可靠性，是该数据集应用中的另一个关键问题。

常用场景

经典使用场景

FACED数据集在神经科学和神经工程领域中被广泛用于情绪计算任务，特别是通过脑电图（EEG）信号进行情绪分类。该数据集的经典使用场景包括构建大规模的情绪分类基准，通过图神经网络（GNN）模型来捕捉EEG信号中的拓扑信息，从而提高分类性能。此外，FACED数据集还被用于开发和评估各种GNN模型，如DGCNN、RGNN等，以解决EEG信号分类中的复杂问题。

解决学术问题

FACED数据集解决了传统EEG分类模型在处理多通道时间序列数据时忽略或未能充分利用脑电信号拓扑信息的问题。通过提供大规模的EEG数据和详细的情绪标签，FACED数据集使得研究人员能够开发和验证基于GNN的EEG分类模型，从而更有效地捕捉和利用脑电信号中的空间结构特征。这不仅提升了情绪分类的准确性，还为神经科学和神经工程领域的研究提供了新的工具和方法。

实际应用

FACED数据集在实际应用中具有广泛的前景，特别是在情绪识别和情感计算领域。例如，在人机交互、虚拟现实和心理健康监测等应用中，通过分析用户的EEG信号来实时识别和响应其情绪状态，可以显著提升用户体验和干预效果。此外，FACED数据集还可用于开发个性化的情绪调节系统，帮助用户管理和改善其情绪状态，具有重要的社会和商业价值。

数据集最近研究

最新研究方向

在神经科学和神经工程领域，脑电图（EEG）分类任务的重要性日益凸显。近年来，利用图神经网络（GNN）进行EEG分类的研究逐渐成为前沿热点。GNN通过建模EEG通道的拓扑信息，能够更有效地捕捉脑电信号的复杂模式。FACED数据集作为这一研究方向的重要基石，提供了大规模的EEG数据，支持了多种GNN模型的开发与评估。当前的研究不仅关注于提升分类准确性，还致力于解决跨受试者分类的挑战，通过引入如DGCNN、RGNN等先进的GNN模型，探索EEG信号的空间结构特征。这些研究不仅推动了EEG分类技术的发展，也为情感计算等商业应用提供了新的可能性。

相关研究论文

• GNN4EEG: A Benchmark and Toolkit for Electroencephalography Classification with Graph Neural Network

  北京交通大学智能计算与通信实验室 · 2023年