SILVER-pain

SILVER-Pain数据集由两部分组成：一个包含7名受试者的老年队列和一个包含18名受试者的年轻队列。年轻队列的生理信号通过Empatica E4腕带收集，老年队列的生理信号通过更新的Empatica EmbracePlus腕带收集。去标识化的深度视频、热视频和面部表情数据通过Intel RealSense 435i相机、热相机以及从RealSense相机收集的RGB视频转换而来（使用开源OpenFace库）。原始文件和经过处理的文件均包含在内。

The SILVER-Pain dataset consists of two cohorts: an elderly cohort with 7 subjects and a young cohort with 18 subjects. Physiological signals of the young cohort were collected via Empatica E4 wristbands, while those of the elderly cohort were collected using the updated Empatica EmbracePlus wristbands. De-identified depth videos and thermal videos were captured by Intel RealSense 435i camera and thermal cameras, while de-identified facial expression data were converted from RGB videos captured by the RealSense camera via the open-source OpenFace library. Both raw and processed files are included in the dataset.

原始信息汇总

SILVER-Pain 数据集概述

数据集组成

• 数据集包含两个部分：一个老年队列（7名受试者）和一个年轻队列（18名受试者）。

数据采集设备与信号类型

生理信号

• 年轻队列的生理信号使用 Empatica E4 腕带采集。
• 老年队列的生理信号使用更新的 Empatica EmbracePlus 腕带采集（据 Empatica 称，这是 E4 腕带停产后推出的更新版本）。

多模态数据

• 去标识化的深度视频、热成像视频和面部表情数据通过以下设备采集与处理：
  1. 英特尔 RealSense 435i 摄像头。
  2. 一台热成像摄像头。
  3. 面部表情数据由 RealSense 摄像头采集的 RGB 视频通过开源 OpenFace 库转换得到（库地址：https://github.com/TadasBaltrusaitis/OpenFace）。

数据内容

• 包含原始文件和已处理文件。

数据特点与说明

• 原始数据为非同步、非规则采样。
• 数据存在缺失值和信号伪影。
• 年轻成人与老年人的数据格式略有不同（具体差异请参见子文件夹中的说明文档）。

数据处理支持

• 提供具有可配置选项的基本功能，用于将原始数据提取和预处理为可供机器学习使用的数据框和数据数组。
• 用户可根据需要构建和使用自己的函数来提取和处理信号。

详细信息指引

• 更多具体信息请参见各子文件夹。

搜集汇总

数据集介绍

构建方式

在疼痛评估与生理信号分析领域，SILVER-Pain数据集的构建体现了多模态数据采集的前沿方法。该数据集整合了两个年龄队列的数据：年轻队列包含18名受试者，使用Empatica E4腕带采集生理信号；老年队列包含7名受试者，采用更新的Empatica EmbracePlus腕带进行采集。同时，通过Intel RealSense 435i相机获取深度视频，热成像相机记录热视频，并利用开源OpenFace库从RealSense相机的RGB视频中提取面部表情数据。原始数据与处理后文件均被包含在内，但需注意原始数据存在非同步采样、缺失值及信号伪影等问题，且年轻与老年受试者的数据格式略有差异。

特点

SILVER-Pain数据集的特点在于其跨年龄队列的多模态融合设计。数据集涵盖了年轻与老年两个不同年龄群体的生理信号与视觉数据，为研究疼痛感知的年龄差异提供了宝贵资源。多模态数据包括腕带采集的生理信号、深度视频、热视频以及面部表情特征，这些信息相互补充，能够更全面地捕捉疼痛相关的生理与行为响应。此外，数据集提供了基础处理函数，支持用户将原始数据转换为机器学习可用的格式，同时允许自定义处理流程，增强了研究的灵活性与可扩展性。

使用方法

使用SILVER-Pain数据集时，研究人员可首先参考各子文件夹中的详细说明，以了解数据的具体结构与差异。数据集附带了可配置的基础函数，用于从原始数据中提取并预处理信号，生成适合机器学习分析的数据框架与数组。由于数据存在非同步采样和缺失值，用户需根据研究需求进行适当的清洗与对齐处理。若基础函数不满足特定分析要求，用户可自行开发处理流程，利用提供的多模态数据开展疼痛检测、年龄相关比较或跨模态融合等前沿研究。

背景与挑战

背景概述

SILVER-pain数据集聚焦于疼痛评估这一生物医学信号处理领域，由研究团队于近期构建，旨在通过多模态生理与视觉数据探索年龄差异下的疼痛表达机制。该数据集整合了年轻与老年两个群体，利用Empatica腕带采集生理信号，并借助Intel RealSense摄像头及热成像设备同步记录深度视频、热视频与面部表情数据。其核心研究问题在于揭示疼痛反应的个体化与年龄相关性特征，为开发非侵入式疼痛监测系统提供关键数据支撑，对临床疼痛管理及健康计算领域具有重要推动作用。

当前挑战

在疼痛评估领域，SILVER-pain数据集需应对疼痛表达的个体差异性与年龄维度复杂性等挑战，例如如何从多模态信号中提取稳健且可泛化的疼痛生物标志物。数据构建过程中，研究团队面临原始数据异步与非均匀采样的技术难题，同时存在信号伪影与缺失值问题；年轻与老年群体的数据格式差异进一步增加了预处理与标准化难度，要求开发灵活的数据提取与清洗方法以保障机器学习任务的可靠性。

常用场景

经典使用场景

在疼痛评估与健康监测领域，SILVER-pain数据集为多模态生理信号分析提供了关键资源。该数据集整合了来自Empatica腕带的生理数据、深度与热成像视频以及面部表情信息，使得研究者能够构建跨年龄群体的疼痛识别模型。通过融合可穿戴设备与视觉传感器数据，它支持开发非侵入式、连续性的疼痛监测系统，尤其在老年与年轻人群的对比研究中展现出独特价值，为疼痛的客观量化奠定了数据基础。

衍生相关工作

围绕SILVER-pain数据集，已衍生出多项经典研究工作。例如，基于其多模态特征融合的深度学习模型，被用于跨年龄疼痛分类任务；利用OpenFace库提取的面部动作单元，结合生理信号，促进了疼痛表情的自动化识别研究。此外，数据集的预处理框架启发了对非同步信号对齐算法的改进，相关成果在可穿戴计算与医疗人工智能领域形成了持续的技术演进。

数据集最近研究

最新研究方向

在疼痛评估与健康监测领域，多模态生理信号与视觉数据的融合正成为前沿热点。SILVER-pain数据集整合了腕带式传感器采集的生理信号与深度、热成像及面部表情数据，为跨年龄群体的疼痛识别研究提供了宝贵资源。当前研究聚焦于开发鲁棒的机器学习模型，以处理非同步采样、缺失值和信号伪影等挑战，旨在实现精准、无创的疼痛监测，尤其在老年护理和远程医疗中具有重要应用价值。