MECO

MECO是一个针对老年人的情感和认知理解的多模态数据集，包括42名参与者，提供约38小时的多模态信号，生成30,592个同步样本。数据集覆盖视频、音频、脑电图（EEG）和心电图（ECG）等多种模态，并提供情感和认知状态的全面注释，包括自我评估的效价、唤醒度、六种基本情绪和迷你精神状态检查（MMSE）认知分数。MECO作为老龄化人群情感和认知多模态建模的基础资源，支持个性化情感识别和轻度认知障碍（MCI）早期检测等下游应用。

MECO is a multimodal dataset for emotion and cognition understanding targeting elderly populations. It encompasses 42 participants, with approximately 38 hours of multimodal signals and 30,592 synchronized samples. The dataset covers multiple modalities including video, audio, electroencephalogram (EEG), and electrocardiogram (ECG). It also provides comprehensive annotations for emotional and cognitive states, including self-assessed valence, arousal, six basic emotions, and Mini-Mental State Examination (MMSE) cognitive scores. As a foundational resource for multimodal modeling of emotion and cognition in aging populations, MECO supports downstream applications such as personalized emotion recognition and early detection of mild cognitive impairment (MCI).

原始信息汇总

MECO: 老年人情绪与认知理解多模态数据集

数据集简介

MECO 是一个专注于老年人的多模态情绪与认知理解数据集。现有基准主要针对年轻、认知健康的受试者，忽略了认知衰退对情绪表达和生理反应的影响。MECO旨在填补这一空白。

核心信息

• 全称：MECO: A Multimodal Dataset for Emotion and Cognitive Understanding in Older Adults
• 参与者：42名
• 数据规模：约38小时的多模态信号，产生30,592个同步样本。
• 数据收集：遵循标准化协议，在社区环境中进行，以最大化生态效度。
• 模态：视频、音频、脑电图（EEG）、心电图（ECG）。
• 标注内容：情绪状态（自我评估的效价、唤醒度、六种基本情绪）和认知状态（简易精神状态检查（MMSE）认知分数）。

数据集目的

作为老年人群情感和认知多模态建模的基础资源，促进下游应用，如个性化情绪识别和现实环境中轻度认知障碍（MCI）的早期检测。

数据集获取与组织

• 下载地址：https://pan.baidu.com/s/1K7ZkEpt4iseMhsqVE8fiQQ?pwd=b3yj

• 访问密码：为保护参与者隐私，数据集存档已加密。解压密码需通过项目页面（https://maitrechen.github.io/meco-page/）的“Get Data”部分，按照指示发送正式请求邮件获取。

• 组织结构：

  MECO ├── Video/ # 视频特征文件（.pkl） ├── EEG/ # 脑电图特征文件（.pkl） ├── ECG/ # 心电图特征文件（.pkl） └── Subjects.xlsx # 元数据文件

• 元数据说明：Subjects.xlsx 文件包含所有42名参与者的基本人口统计和认知元数据，具体包括性别、年龄、教育水平和MMSE分数。

相关资源

• 官方项目页面：https://maitrechen.github.io/meco-page/
• 论文地址：https://arxiv.org/abs/2604.03050
• 代码仓库：https://github.com/MaitreChen/MECO

引用

如果此数据集和框架对您的研究有帮助，请考虑引用我们的论文：

@article{chen_meco2026, title = {MECO: A Multimodal Dataset for Emotion and Cognitive Understanding in Older Adults}, author = {Chen, Hongbin and Li, Jie and Wang, Wei and Song, Siyang and Gu, Xiao and Li, Jianqing and Xiang, Wentao}, journal = {arXiv preprint arXiv:2604.03050}, doi = {10.48550/ARXIV.2604.03050}, url = {https://arxiv.org/abs/2604.03050}, year = {2026} }

搜集汇总

数据集介绍

构建方式

在老龄化社会背景下，针对现有情感计算数据集多聚焦于年轻健康人群的局限，MECO数据集通过严谨的生态化设计进行构建。研究团队在社区环境中，依据标准化协议招募了42名老年参与者，采集了总计约38小时的多模态同步信号，最终形成了30,592个有效样本。数据采集涵盖了视频、音频、脑电图和心电图四种模态，并同步记录了参与者自我报告的情感维度、六种基本情绪状态以及基于简易精神状态检查量表的认知评分，确保了数据在真实场景下的有效性与丰富性。

特点

MECO数据集的核心特点在于其专为老年人群设计的多模态与多任务属性。该数据集不仅同步整合了视频、音频、EEG和ECG四种生理与行为信号，更关键的是提供了情感与认知状态的双重精细标注，包括效价、唤醒度、基本情绪分类以及MMSE认知分数。这种设计使得数据集能够支持从跨被试情感识别到轻度认知障碍早期筛查等一系列前沿研究任务。其包含的详尽人口统计学与认知元数据，为探索老龄化进程中情感表达与认知衰退的关联提供了独特而宝贵的研究基础。

使用方法

为便于研究者使用，MECO提供了提取后的多模态特征数据集及一套高度模块化的PyTorch实验框架。用户需通过官方项目页面申请获取数据解压密码，下载后可按视频、EEG、ECG等模态目录结构组织数据。该框架明确支持被试内与被试外两种实验范式，并预置了情感分类与回归、认知分类与回归等多种任务的配置文件。研究者可通过修改配置文件中的模态组合与特征类型，快速开展单模态、双模态或三模态的模型训练与评估，从而灵活探索适用于老年人群的多模态融合算法。

背景与挑战

背景概述

在老龄化社会背景下，针对老年人群体的情感与认知状态研究日益成为人机交互与健康信息学领域的核心议题。现有情感计算数据集多聚焦于年轻、认知健康的群体，忽视了认知衰退对情感表达与生理反应的潜在影响。为填补这一空白，研究团队于2026年发布了MECO多模态数据集，由Hongbin Chen等学者主导，并得到EmoLab实验室的支持。该数据集旨在探索老年人群体的情感与认知状态的交互关系，其核心研究问题在于如何利用视频、音频、脑电图和心电图等多模态信号，实现对老年人情感维度（如效价、唤醒度及基本情绪）与认知水平（通过简易精神状态检查评分衡量）的同步建模。作为该领域的开创性资源，MECO为开发个性化情感识别工具及轻度认知障碍的早期筛查应用提供了关键数据基础，推动了面向老龄化群体的智能健康辅助系统的发展。

当前挑战

MECO数据集所应对的领域挑战主要源于老年人群体的情感与认知状态评估的复杂性。由于认知衰退可能显著改变情感表达模式与生理反应特征，传统基于年轻群体的模型往往难以直接迁移，这要求新模型具备对年龄相关变异的高鲁棒性。在数据集构建过程中，研究团队面临多重技术与管理挑战。为确保生态效度，数据采集需在社区环境中遵循标准化协议，这对实验控制的严谨性与参与者依从性提出了较高要求。多模态数据的同步采集与对齐，尤其是脑电图和心电图等生理信号与视听流的高精度时间戳匹配，构成了显著的技术瓶颈。此外，涉及老年参与者的研究必须严格遵循伦理规范，在数据公开共享与个人隐私保护之间寻求平衡，因此数据集采用了加密访问机制，这在一定程度上增加了数据获取与使用的流程复杂性。

常用场景

经典使用场景

在老年健康与情感计算交叉领域，MECO数据集为研究者提供了探索认知衰退如何影响情绪表达与生理反应的宝贵窗口。其经典使用场景聚焦于开发跨模态融合模型，通过整合视频、音频、脑电图和心电图等多维信号，实现对老年人情感状态与认知水平的同步分析与识别。这类研究通常在受控的社区环境中进行，遵循标准化协议以保障生态效度，旨在构建能够适应个体差异的稳健算法，为后续个性化健康干预奠定数据基础。

解决学术问题

MECO数据集有效应对了当前多模态研究中对老年人群关注不足的学术空白。它通过提供包含情感自评与简明精神状态检查分数的详实标注，解决了老年群体情绪识别因认知变化而复杂化的难题。该资源使得研究者能够深入探究认知功能与情感体验之间的内在关联，为早期轻度认知障碍的检测提供了新的多模态评估范式，推动了老龄化社会背景下心理健康监测方法的理论创新与技术突破。

衍生相关工作

围绕MECO数据集，已衍生出一系列关注老年多模态分析的前沿工作。这些研究主要集中于跨被试泛化能力提升、模态缺失下的鲁棒性学习，以及多任务框架下情感与认知的联合建模。例如，利用其提供的主题独立范式，研究者们开发了多种基于注意力机制的融合网络，以更好地捕捉跨模态的互补信息，这些模型架构也为其他面向特定人群的多模态数据集分析提供了可借鉴的技术路径。