Non-EEG physiological signals

该数据库包含在德克萨斯大学达拉斯分校生活质量实验室收集的非EEG生理信号，用于推断20名健康受试者的神经状态（包括身体压力、认知压力、情绪压力和放松）。数据是通过非侵入性腕戴生物传感器收集的，包括皮肤电活动（EDA）、温度、加速度、心率（HR）和动脉氧水平（SpO2）。This database comprises non-EEG physiological signals collected at the Quality of Life Laboratory at the University of Texas at Dallas, aimed at inferring the neural states (including physical stress, cognitive stress, emotional stress, and relaxation) of 20 healthy subjects. The data were gathered using non-invasive wrist-worn biosensors, capturing skin electrical activity (EDA), temperature, acceleration, heart rate (HR), and arterial oxygen levels (SpO2).

原始信息汇总

数据集概述

数据集名称

Non-EEG-Signal-Processing

数据集描述

该数据集包含来自德克萨斯大学达拉斯分校Quality of Life实验室收集的非EEG生理信号，用于评估20名健康受试者的神经状态，包括身体压力、认知压力、情绪压力和放松状态。数据采集使用了非侵入式腕戴生物传感器，记录了皮肤电活动（EDA）、温度、加速度、心率（HR）和动脉氧水平（SpO2）。

数据收集

实验涉及的人类受试者程序已获得德克萨斯大学达拉斯分校机构审查委员会的批准，批准号为UTD IRB # 12-29。

数据集结构

数据集包含20名受试者的7个阶段/5分钟的数据，具体阶段包括：

1. 第一次放松
2. 身体压力
3. 第二次放松
4. 迷你情绪压力（40秒）
5. 认知压力
6. 第三次放松
7. 情绪压力
8. 第四次放松

数据集可用性

数据集的原始数据可在以下链接获取：

• 德克萨斯大学达拉斯分校数据库
• Physionet数据库

引用信息

1. Birjandtalab, Javad, et al. "A Non-EEG Biosignals Dataset for Assessment and Visualization of Neurological Status." 2016 IEEE International Workshop on Signal Processing Systems (SiPS), 2016, pp. 110-114.
2. Greco, Alberto, et al. "cvxEDA: A Convex Optimization Approach to Electrodermal Activity Processing." IEEE Transactions on Biomedical Engineering, 2016, pp. 797-804.
3. Begum, S. "Sensor signal processing to extract features from finger temperature in a case-based stress classification scheme." 2009 IEEE International Symposium on Intelligent Signal Processing, 2009, pp. 193-198.
4. Zhu, J., et al. "Feature extraction for robust physical activity recognition." Hum. Cent. Comput. Inf. Sci. 7, 16 (2017).

搜集汇总

数据集介绍

构建方式

该数据集由德克萨斯大学达拉斯分校生活质量实验室收集，旨在通过非侵入性腕戴生物传感器获取的生理信号推断20名健康受试者的神经状态。数据采集过程包括多个阶段，每个阶段持续5分钟，涵盖放松、身体压力、认知压力和情绪压力等不同状态。实验设计经过伦理委员会批准，确保数据的合法性和伦理性。数据包括皮肤电活动、温度、加速度、心率和动脉血氧水平等多维度生理信号。

特点

该数据集的特点在于其多维度的生理信号采集，涵盖了皮肤电活动、温度、加速度、心率和动脉血氧水平等多种指标，能够全面反映受试者的神经状态。此外，数据集通过多个阶段的实验设计，捕捉了不同压力状态下的生理变化，为研究神经状态与生理信号之间的关系提供了丰富的数据支持。数据集的公开性和标准化格式也使其易于与其他研究进行对比和验证。

使用方法

使用该数据集时，用户需首先克隆相关GitHub仓库，并将所有受试者的CSV文件放置在项目文件夹中。随后，通过Jupyter Notebook打开项目文件，即可开始数据分析和实验。数据集提供了详细的实验阶段信息，用户可根据研究需求选择特定阶段的数据进行分析。此外，数据集还提供了多种生理信号的处理方法，用户可结合相关文献进行深入研究和验证。

背景与挑战

背景概述

Non-EEG生理信号数据集由德克萨斯大学达拉斯分校生活质量实验室于2016年创建，旨在通过非侵入式腕戴生物传感器收集的生理信号，推断20名健康受试者的神经状态，包括身体压力、认知压力、情绪压力和放松状态。该数据集包含皮肤电活动（EDA）、温度、加速度、心率（HR）和动脉血氧水平（SpO2）等多模态生理信号。该数据集的研究成果已在2016年IEEE信号处理系统国际研讨会（SiPS）上发表，为神经状态评估提供了重要的数据支持，推动了非EEG信号在健康监测和情绪识别领域的应用。

当前挑战

Non-EEG生理信号数据集在解决神经状态评估问题时面临多重挑战。首先，多模态生理信号的同步采集与融合需要高精度的数据处理技术，以确保信号的一致性和可靠性。其次，由于个体生理反应的差异性，如何从有限的样本中提取具有普适性的特征仍是一个难题。此外，数据采集过程中受试者的情绪波动和环境干扰可能导致信号噪声增加，进一步加大了数据分析的复杂性。在构建过程中，研究人员还需克服传感器精度限制、数据标注的主观性以及实验设计的标准化等挑战，以确保数据集的科学性和实用性。

常用场景

经典使用场景

Non-EEG生理信号数据集在神经状态评估领域具有广泛的应用。该数据集通过收集皮肤电活动（EDA）、温度、加速度、心率（HR）和动脉血氧水平（SpO2）等多维生理信号，能够有效推断个体的神经状态，包括身体压力、认知压力、情感压力和放松状态。研究人员通常利用这些数据开发算法，以识别和分类不同的神经状态，进而为心理健康监测和干预提供科学依据。

实际应用

在实际应用中，Non-EEG生理信号数据集被广泛用于心理健康监测和压力管理。例如，基于该数据集开发的算法可以嵌入智能手表或健康监测设备中，实时监测用户的神经状态，并提供个性化的压力缓解建议。此外，该数据集还被用于职业健康领域，帮助评估工作环境对员工心理健康的影响，从而优化工作条件，提升员工福祉。

衍生相关工作

该数据集衍生了一系列经典研究工作。例如，Birjandtalab等人利用该数据集开发了一种基于多模态生理信号的神经状态评估方法，显著提升了分类精度。此外，Greco等人提出的cvxEDA算法也被广泛应用于该数据集的皮肤电活动信号处理中。这些研究不仅推动了神经状态评估技术的发展，还为心理健康监测领域的算法优化提供了重要参考。