DEAP dataset

该数据集用于基于EEG信号的情感分类，通过音乐视频片段作为视觉刺激来引发不同情感。数据集包含32名参与者观看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评分。

This dataset is designed for emotion classification based on EEG signals, utilizing music video clips as visual stimuli to evoke various emotions. It encompasses EEG and peripheral physiological signal recordings from 32 participants as they watched 40 music videos, along with their emotional ratings of 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信号的情感分析，通过监督机器学习技术实现情感分类。

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：参与者对每个视频进行唤醒度、效价、喜好度、支配度和熟悉度的评分
• 额外记录：22名参与者的正面视频

数据内容

• EEG信号数据
• 部分参与者的正面视频
• 参与者的主观评分数据

搜集汇总

数据集介绍

构建方式

DEAP数据集的构建基于情感分类的需求，采用机器学习技术对脑电图（EEG）信号进行分析。参与者观看精心挑选的音乐视频片段，这些视频旨在激发不同的情感反应。32名参与者在观看40个选定视频的过程中，其EEG和周边生理信号被记录下来，构建成了一个包含丰富信号数据的数据库。

使用方法

使用DEAP数据集时，首先需将数据集存储在指定文件夹下。随后，通过运行runFile.py文件即可启动数据集的处理和分析流程。这一过程旨在为机器学习模型提供训练和测试的基础，以实现情感分类的高准确度。

背景与挑战

背景概述

DEAP数据集，即情感分析的 EEG 数据集，是在情感识别研究领域具有重要影响力的资源。该数据集创建于2013年，由瑞士苏黎世联邦理工学院（ETH Zurich）的一组研究人员开发。该数据集致力于解决情感识别的核心问题，通过分析受试者在观看音乐视频片段时记录的脑电图（EEG）信号，使用机器学习技术进行情感分类。数据集涵盖了32名参与者在观看40个精选音乐视频时的EEG和周边生理信号记录，以及他们对视频的唤醒度、效价、喜好、支配性和熟悉度的主观评分。DEAP数据集的构建为情感识别领域提供了丰富的实验数据和基准，推动了相关研究的深入发展。

当前挑战

DEAP数据集在构建和应用过程中面临诸多挑战。首先， EEG 信号的非线性特性和高噪声水平使得信号处理和特征提取成为首要难题。其次，情感状态的多样性和主观性导致分类模型的泛化能力受限。此外，数据集在构建过程中需确保实验设计的合理性，包括视觉刺激的选择、参与者的多样性和主观评分的一致性。这些挑战不仅考验着数据集构建者的技术能力，也对于后续使用该数据集的研究人员提出了更高的分析和建模要求。

常用场景

经典使用场景

在情感计算领域，DEAP数据集的经典使用场景是作为机器学习模型的训练集，通过对EEG（脑电图）信号的分析，实现对观看音乐视频的受试者情绪状态的分类。该数据集提供了丰富的情感标签和生理信号，为算法训练提供了坚实基础。

解决学术问题

DEAP数据集解决了情感识别研究中数据不足和标注不一致的问题，通过标准化的实验流程和细致的标注工作，为学术研究提供了高质量的数据源，极大地促进了情绪识别技术的进展。

实际应用

实际应用中，DEAP数据集可用于开发智能监控系统，如监测驾驶员疲劳状态、分析用户对媒体内容的情绪反应等，对提升人机交互体验和智能健康监测领域具有重要意义。

数据集最近研究

最新研究方向

在情感计算领域，利用脑电图（EEG）信号进行情绪分类的研究日益成为热点。基于DEAP数据集，研究者们致力于通过监督机器学习技术实现高准确度的情绪识别。该数据集采用音乐视频片段作为视觉刺激，引发受试者不同的情绪反应，并记录其EEG及生理信号。目前，该领域的前沿研究方向聚焦于如何通过这些信号数据，辅以主观评分，更精确地解码人类情绪状态，这对于人机交互、心理健康监测等领域具有深远的影响。