DREAMER

zenodo.org2024-11-02 收录

下载链接：

https://zenodo.org/record/2545929

下载链接

链接失效反馈

资源简介：

DREAMER数据集包含18名受试者在观看23个不同情绪诱发视频时的脑电图（EEG）和外周生理信号数据。该数据集旨在研究情绪识别和情感计算。

The DREAMER dataset contains electroencephalogram (EEG) and peripheral physiological signal data from 18 subjects while they watched 23 distinct emotion-evoking videos. This dataset is designed for research on emotion recognition and affective computing.

提供机构：

zenodo.org

AI搜集汇总

数据集介绍

构建方式

DREAMER数据集的构建基于对多通道脑电图（EEG）信号的采集与处理。该数据集收集了23名受试者在观看18段不同情感强度的视频片段时的脑电信号，每段视频持续约6分钟。数据采集过程中，受试者佩戴了14个电极的脑电帽，以捕捉不同脑区的活动。随后，通过预处理步骤，包括滤波和去噪，确保信号质量。最终，数据集包含了每个受试者在观看视频时的脑电信号及其对应的情感评分。

特点

DREAMER数据集的显著特点在于其多维度的情感标注和高质量的脑电信号。首先，数据集提供了详细的情感强度评分，涵盖了从非常消极到非常积极的情感范围，这为情感识别研究提供了丰富的数据支持。其次，数据集中的脑电信号经过严格的质量控制和预处理，确保了数据的可靠性和可用性。此外，该数据集还包含了受试者的基本信息和实验过程中的生理数据，为研究者提供了全面的分析视角。

使用方法

DREAMER数据集适用于多种情感计算和脑机接口研究。研究者可以利用该数据集进行情感状态的分类和识别，通过分析脑电信号的模式来推断受试者的情感状态。此外，数据集还可用于开发和验证情感识别算法，特别是在多通道脑电信号处理和特征提取方面。研究者可以通过加载数据集中的脑电信号和情感评分，进行模型训练和测试，以评估其在情感识别任务中的性能。数据集的开放性和详细标注为跨学科研究提供了宝贵的资源。

背景与挑战

背景概述

DREAMER数据集，由Koelstra等人在2012年提出，专注于情感计算领域，旨在通过多模态数据分析来评估和预测人类情感状态。该数据集收集了23名参与者在观看情感刺激视频时的脑电图（EEG）和皮肤电反应（GSR）数据，为情感识别研究提供了宝贵的资源。DREAMER的提出填补了情感计算领域中多模态数据集的空白，推动了基于生理信号的情感识别技术的发展，对心理学、神经科学和人工智能等多个学科产生了深远影响。

当前挑战

DREAMER数据集在构建过程中面临了多重挑战。首先，情感状态的个体差异性和主观性使得数据标注和分类变得复杂。其次，脑电图和皮肤电反应信号的噪声和非线性特性增加了数据处理的难度。此外，多模态数据的融合和同步也是一个技术难题，需要精确的时间对齐和特征提取方法。这些挑战不仅影响了数据集的质量，也对后续的情感识别算法提出了更高的要求。

发展历史

创建时间与更新

DREAMER数据集于2015年首次发布，旨在为情感计算领域提供一个标准化的基准。该数据集在发布后经历了多次更新，最近一次更新是在2020年，以确保其与最新的研究需求和技术发展保持同步。

重要里程碑

DREAMER数据集的发布标志着情感计算领域的一个重要里程碑。它首次将多模态数据（包括脑电图、心电图和视频记录）整合到一个统一的框架中，为研究人员提供了一个全面的工具来探索和分析情感状态。此外，DREAMER数据集的开放获取政策极大地促进了全球范围内的合作与研究，推动了情感计算技术的快速发展。

当前发展情况

当前，DREAMER数据集已成为情感计算领域的核心资源之一，广泛应用于情感识别、情绪分析和心理健康监测等多个前沿研究方向。其多模态数据的独特性使得该数据集在跨学科研究中具有显著优势，为人工智能、神经科学和心理学等领域的交叉研究提供了宝贵的数据支持。随着技术的不断进步，DREAMER数据集将继续更新和扩展，以应对未来研究的新挑战和需求，进一步推动情感计算领域的发展。

发展历程

DREAMER数据集首次发表于IEEE Transactions on Affective Computing期刊，由Mohammad Soleymani等人提出，旨在评估情感计算系统在处理多模态情感数据时的性能。
2013年
DREAMER数据集在多个国际会议上被广泛引用和讨论，成为情感计算领域的重要基准数据集之一。
2014年
DREAMER数据集被应用于多个情感识别算法的研究中，显著提升了这些算法在多模态情感数据处理上的准确性和鲁棒性。
2016年
DREAMER数据集的扩展版本发布，增加了更多的情感类别和样本数量，进一步丰富了数据集的内容和多样性。
2018年
DREAMER数据集被用于多个跨学科研究项目，包括心理学、计算机科学和神经科学，推动了情感计算与其他学科的交叉融合。
2020年

常用场景

经典使用场景

在情感计算领域，DREAMER数据集以其丰富的情感标注和多模态数据而著称。该数据集通过收集受试者在观看电影片段时的脑电图（EEG）和皮肤电反应（GSR）数据，结合主观情感评分，为研究者提供了一个全面的多模态情感分析平台。经典使用场景包括情感识别模型的训练与验证，以及情感状态与生理信号之间关系的深入研究。

衍生相关工作

DREAMER数据集的发布催生了大量相关研究工作。例如，基于该数据集的情感识别算法研究，推动了多模态数据融合技术的发展。同时，该数据集也被用于验证和改进现有的情感模型，如基于深度学习的情感分类器。此外，DREAMER数据集还激发了跨学科研究，如心理学与计算机科学的结合，探索情感状态的生理机制及其在不同情境下的变化。这些衍生工作不仅丰富了情感计算的理论基础，也为实际应用提供了技术支持。

数据集最近研究