DEAP dataset

该数据集用于基于EEG信号的情绪分类，通过记录32名参与者观看40个音乐视频时的EEG和外围生理信号。参与者对每个视频在唤醒度、效价、喜欢/不喜欢、支配性和熟悉度方面进行评分。数据集包含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。

This dataset is designed for emotion classification based on EEG signals, capturing the EEG and peripheral physiological signals of 32 participants while they watched 40 music videos. Participants rated each video in terms of arousal, valence, like/dislike, dominance, and familiarity. The dataset includes all recorded signal data, positive videos from some participants, and the subjective ratings provided by the participants.

原始信息汇总

数据集概述

数据集名称

DEAP 数据集

数据集目的

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
• 刺激材料：40 个音乐视频片段
• 数据收集：记录了参与者的 EEG 信号和外围生理信号
• 主观评价：参与者对每个视频片段进行了唤醒度、愉悦度、喜好度、支配度和熟悉度的评分
• 额外记录：对 22 名参与者的正面视频也进行了记录

数据集内容

• 所有记录的信号数据
• 部分参与者的正面视频
• 参与者的主观评分

搜集汇总

数据集介绍

构建方式

在构建DEAP数据集时，研究者采用了音乐视频片段作为视觉刺激，以诱发不同的情绪反应。具体而言，32名参与者在观看40个精选的音乐视频时，其脑电图（EEG）和外周生理信号被记录下来。此外，22名参与者的正面面部视频也被同步记录。参与者在观看每个视频后，还需对其进行唤醒度、愉悦度、喜好度、支配度和熟悉度等方面的主观评分。这些多模态数据共同构成了DEAP数据集的基础。

特点

DEAP数据集的显著特点在于其多模态数据的丰富性和情绪评分的细致性。该数据集不仅包含了脑电图信号和外周生理信号，还涵盖了部分参与者的面部视频记录，为情绪分析提供了多维度的数据支持。此外，参与者对每个视频的主观评分，如唤醒度、愉悦度等，为情绪分类提供了直接的标注信息，增强了数据集在监督学习中的应用价值。

使用方法

使用DEAP数据集进行情绪分析时，首先需将数据集存储在指定文件夹中，如'data/'目录下。随后，通过运行'runFile.py'文件，可以启动数据处理和模型训练流程。该数据集适用于基于脑电图信号的情绪分类任务，尤其在监督机器学习框架下，能够有效提升情绪识别的准确性。研究者可以根据具体需求，调整模型参数和数据预处理步骤，以优化情绪分类效果。

背景与挑战

背景概述

DEAP数据集是在情感分析领域中的一项重要研究成果，由主要研究人员通过记录32名参与者在观看40个精选音乐视频时的脑电图（EEG）信号和外周生理信号而创建。该数据集的核心研究问题在于利用EEG信号进行情感分类，旨在通过机器学习技术实现高精度的情感识别。参与者对每个视频的唤醒度、愉悦度、喜好度、支配度和熟悉度进行了主观评分，为情感分析提供了丰富的数据支持。此数据集的创建不仅推动了情感计算领域的发展，也为脑机接口和心理健康研究提供了宝贵的资源。

当前挑战

DEAP数据集在构建过程中面临了多项挑战。首先，情感的诱发和测量具有高度主观性，不同参与者对同一刺激的反应可能存在显著差异，这增加了数据处理的复杂性。其次，EEG信号的噪声和伪影问题对数据质量构成了威胁，需要先进的数据清洗和预处理技术。此外，如何有效地将EEG信号与情感状态进行关联，是实现高精度情感分类的关键挑战。最后，数据集的规模和多样性虽然为研究提供了丰富的资源，但也对机器学习模型的泛化能力和计算效率提出了更高的要求。

常用场景

经典使用场景

在情感分析领域，DEAP数据集被广泛用于基于脑电图（EEG）信号的情感分类任务。通过记录32名参与者在观看40个音乐视频时的EEG信号和外周生理信号，该数据集为研究人员提供了一个丰富的数据资源，以探索和开发用于情感识别的机器学习模型。

实际应用

在实际应用中，DEAP数据集为开发情感感知系统提供了宝贵的数据支持。例如，在人机交互、心理健康监测和娱乐产业中，基于EEG信号的情感识别技术可以用于实时情感反馈、个性化内容推荐和心理状态评估，从而提升用户体验和生活质量。

衍生相关工作

基于DEAP数据集，许多研究工作得以展开，包括但不限于情感识别算法的优化、多模态情感分析以及情感计算模型的跨领域应用。这些衍生工作不仅丰富了情感计算的理论体系，也为实际应用提供了技术支持和创新思路。