DEAP dataset

该项目使用DEAP数据集中的EEG信号来分类情绪，以实现高精度的机器学习技术。数据集包含了32名参与者在观看40个音乐视频时的EEG和外围生理信号记录，以及他们对视频的情感反应评分。

This project utilizes EEG signals from the DEAP dataset to classify emotions, aiming to achieve high-precision machine learning techniques. The dataset includes EEG and peripheral physiological signal recordings from 32 participants while they watched 40 music videos, along with their emotional response ratings to the videos.

原始信息汇总

数据集概述

数据集名称

DEAP 数据集

数据集用途

用于基于 EEG 信号的情绪分类，以实现高准确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
• 数据记录：参与者观看视频时的 EEG 信号和外围生理信号
• 主观评价：参与者对每个视频的唤醒度、效价、喜好度、支配度和熟悉度进行评分
• 额外记录：22 名参与者的正面脸部视频

数据集内容

• 所有记录的信号数据
• 部分参与者的正面脸部视频
• 参与者的主观评分

搜集汇总

数据集介绍

构建方式

DEAP数据集的构建基于32名参与者在观看40段音乐视频时的脑电图（EEG）和外围生理信号记录。这些视频被精心挑选以引发不同的情绪反应。实验过程中，参与者对每段视频的情绪唤醒度、效价、喜好度、支配感和熟悉度进行了主观评分。此外，22名参与者的正面面部视频也被记录，以提供更全面的情绪分析数据。所有记录的数据，包括信号数据、面部视频和主观评分，均被整合到数据库中。

特点

DEAP数据集的特点在于其多维度的情绪数据采集，不仅包括EEG信号和生理信号，还涵盖了参与者的主观情绪评分和面部视频记录。这种多模态数据集的构建方式为情绪分析提供了丰富的上下文信息，使得研究者能够从多个角度深入探讨情绪与生理反应之间的关系。此外，数据集的规模适中，既保证了数据的多样性，又便于机器学习模型的训练和验证。

使用方法

使用DEAP数据集时，首先需将数据集存储在指定的文件夹中，随后运行提供的runFile.py文件以启动数据处理和分析流程。该数据集适用于监督学习任务，特别是情绪分类任务。研究者可以利用EEG信号和生理信号作为输入特征，结合参与者的主观评分作为标签，训练机器学习模型以实现高精度的情绪分类。此外，面部视频数据可用于进一步的情绪识别和验证，增强模型的鲁棒性和准确性。

背景与挑战

背景概述

DEAP数据集（Database for Emotion Analysis using Physiological Signals）是一个专注于情感分析的生理信号数据库，由荷兰特温特大学的研究团队于2012年创建。该数据集旨在通过脑电图（EEG）和外周生理信号来研究人类情感状态的变化。研究团队通过音乐视频作为视觉刺激，诱导参与者产生不同的情感反应，并记录了32名参与者的EEG信号、外周生理信号以及主观情感评分。DEAP数据集在情感计算、脑机接口和心理健康研究领域具有重要影响力，为基于生理信号的情感识别提供了丰富的数据支持。

当前挑战

DEAP数据集在解决情感识别问题时面临多重挑战。首先，情感本身具有高度主观性和复杂性，如何通过EEG信号准确捕捉情感状态的变化是一个核心难题。其次，数据集的构建过程中，研究人员需要确保实验设计的有效性，包括选择合适的音乐视频作为情感诱导刺激，并处理大量高维度的生理信号数据。此外，参与者的个体差异和实验环境的外部干扰也可能影响数据的质量和一致性。这些挑战不仅对数据集的构建提出了高要求，也为后续基于该数据集的研究带来了技术上的复杂性。

常用场景

经典使用场景

DEAP数据集广泛应用于情感计算领域，特别是在基于脑电图（EEG）信号的情感分类研究中。研究者们利用该数据集中的EEG信号和外围生理信号，结合机器学习技术，对参与者在观看音乐视频时产生的情感状态进行分类和预测。这一数据集为情感识别提供了丰富的数据支持，使得研究者能够深入探索情感与生理信号之间的复杂关系。

解决学术问题

DEAP数据集解决了情感计算领域中的关键问题，即如何通过生理信号准确识别和分类人类情感状态。通过提供大量的EEG信号和主观情感评分数据，研究者能够开发出更精确的情感识别模型，从而推动情感计算技术的发展。此外，该数据集还为跨学科研究提供了宝贵的数据资源，促进了心理学、神经科学和计算机科学之间的交叉融合。

衍生相关工作

DEAP数据集催生了许多经典的研究工作，特别是在情感识别和机器学习领域。基于该数据集的研究成果包括多种情感分类算法、深度学习模型以及跨模态情感分析技术。这些工作不仅提升了情感识别的准确率，还为情感计算领域的进一步发展奠定了基础。此外，DEAP数据集还被用于开发开源工具和框架，促进了情感计算技术的普及和应用。