MAUS

arXiv2021-11-04 更新2024-08-06 收录

工作负荷

可穿戴设备

数据链接：

http://arxiv.org/abs/2111.02561v1 数据链接链接失效反馈

官方服务：

资源简介：

MAUS数据集专注于可穿戴设备上的心理工作负荷（MW）评估系统研究。数据集包括使用腕带光电容积脉搏波（PPG）作为可穿戴设备的代表，以及包含心电图（ECG）、皮肤电反应（GSR）和指尖PPG的临床设备作为参考。通过执行N-back任务诱导22名参与者的心理工作负荷，并在实验前后使用匹兹堡睡眠质量指数（PSQI）和NASA任务负荷指数（NASA-TLX）问卷进行评估。

The MAUS Dataset is dedicated to research on mental workload (MW) evaluation systems for wearable devices. It includes wrist-worn photoplethysmography (PPG) as the representative wearable sensing modality, alongside clinical devices equipped with electrocardiogram (ECG), galvanic skin response (GSR) and fingertip PPG as reference sensing modalities. Twenty-two participants completed the N-back task to induce mental workload, and were assessed using the Pittsburgh Sleep Quality Index (PSQI) and NASA Task Load Index (NASA-TLX) questionnaires both before and after the experiment.

创建时间：

2021-11-04

搜集汇总

数据集介绍

构建方式

在认知负荷评估领域，MAUS数据集的构建采用了严谨的实验设计，以N-back任务作为核心刺激源，通过调整任务难度（0-back、2-back和3-back）来诱发不同水平的心理负荷。实验招募了22名健康参与者，在受控环境中同步采集了来自临床设备（Procomp Infiniti）的单导联心电图、皮肤电反应和指尖光电容积脉搏波，以及代表可穿戴设备的手腕光电容积脉搏波信号。实验流程包含初始静息阶段、六轮N-back任务及间歇期，每轮任务后参与者需填写NASA任务负荷指数问卷，以获取主观负荷评分，同时实验前还收集了匹兹堡睡眠质量指数问卷数据，确保了数据采集的全面性与标准化。

特点

MAUS数据集的显著特点在于其多模态信号的同步采集与开放访问性。该数据集首次同时提供了手腕与指尖两种来源的光电容积脉搏波信号，并与心电图信号实现时间同步，为探究可穿戴设备在心理负荷监测中的性能差异与增强算法提供了直接比较的基础。数据集涵盖了从低到高不同认知负荷水平下的生理响应，并辅以主观问卷评分及任务表现指标，形成了多维度的标注体系。其基线系统的公开进一步确立了可复现的研究基准，促进了不同方法间的公平对比与算法验证。

使用方法

研究人员可利用MAUS数据集开展心理负荷自动评估算法的开发与验证工作。典型使用流程包括对原始生理信号进行预处理与特征提取，例如从心电或光电容积脉搏波信号中计算心率变异的时域与频域特征。数据集支持留一被试交叉验证与混合被试五折交叉验证等多种评估策略，以适应个体生理差异的影响。用户可基于提供的基线系统代码，构建分类模型区分低、高心理负荷状态，并探索多模态信号融合或手腕信号增强方法，推动可穿戴设备在长期认知监测中的实际应用。

背景与挑战

背景概述

MAUS数据集由台湾大学的研究团队于2021年创建，旨在为可穿戴设备的心智负荷评估系统提供开放数据资源。该数据集聚焦于通过N-back任务诱发不同水平的心智负荷，并同步采集了心电图、皮肤电反应、指尖光电容积描记以及腕戴式光电容积描记等多模态生理信号。其核心研究问题在于探索如何利用可穿戴传感器实现长期、连续的心智负荷监测，尤其在信号质量较差的腕戴式设备上提升评估性能。该数据集的发布填补了该领域公开数据集的空白，为算法比较与验证提供了基准，推动了智能健康监测与脑机接口等领域的发展。

当前挑战

在心智负荷评估领域，MAUS数据集致力于解决可穿戴设备在连续监测中面临的挑战，主要包括信号质量的稳定性问题，尤其是腕戴式光电容积描记信号易受运动伪影和基线漂移干扰，导致心率变异性特征提取精度下降。构建过程中的挑战涉及多模态信号的同步采集与标注，需确保实验协议能有效诱发不同心智负荷水平，并通过NASA-TLX问卷和N-back任务性能数据提供主客观参考标准。此外，数据集的样本规模相对有限，且个体生理差异显著，这为开发泛化能力强的评估模型带来了难度。

常用场景

经典使用场景

在认知负荷评估领域，MAUS数据集为研究者提供了一个标准化的实验平台，通过N-back任务诱发不同水平的心理负荷，并同步采集心电图、皮肤电反应以及指尖和腕带光电容积脉搏波信号。这一设计使得该数据集成为评估可穿戴设备在心理负荷监测中性能的经典工具，尤其适用于比较腕带式与指尖式生理信号在认知状态识别中的差异。

衍生相关工作

基于MAUS数据集，多项研究聚焦于多模态信号融合与腕带PPG信号增强。例如，有工作探索了结合心电图与光电容积脉搏波的深度学习分类器，以提高负荷识别的鲁棒性；另一些研究则利用该数据集的同步信号特性，开发了运动伪影抑制算法，推动了可穿戴设备在复杂环境下的实用化进程。

数据集最近研究

MAUS

资源简介：

相关数据集