EVA-MED

EVA-MED数据集是由浙江大学信息科学与电子工程学院和中国科学院心理研究所共同创建的一个增强情感识别多模态数据集。该数据集通过视频和压力测试两种情感诱导范式，收集了64名参与者在不同情感状态下的EEG、ECG和PI数据，同时结合了参与者的个性特质、焦虑、抑郁等心理评估信息。数据集旨在提高情感维度的建模精度，并考虑个体差异，适用于情感识别研究，有望推动更准确、个性化、情境感知的情感计算系统的发展。The EVA-MED dataset is an enhanced multimodal emotion recognition dataset jointly created by the School of Information Science and Electronic Engineering of Zhejiang University and the Institute of Psychology of the Chinese Academy of Sciences. This dataset collects EEG, ECG and PI data from 64 participants in different emotional states via two emotion induction paradigms: video and stress tests, and also incorporates psychological assessment information such as participants' personality traits, anxiety and depression levels. The dataset aims to improve the modeling accuracy of emotional dimensions while considering individual differences, and is suitable for emotion recognition research. It is expected to promote the development of more accurate, personalized and context-aware affective computing systems.

搜集汇总

数据集介绍

构建方式

EVA-MED数据集的构建采用了多模态生理信号采集与心理学评估相结合的科学方法。研究团队通过两种互补的情绪诱导范式——视频刺激与曼海姆多组分压力测试(MMST)，系统性地诱发64名参与者的不同效价（积极/中性/消极）和唤醒度（平静/高唤醒）情绪状态。数据采集过程整合了实验室级脑电图(EEG)、心电图(ECG)设备和消费级可穿戴设备获取的脉搏间隔(PI)数据，同时通过中国大五人格量表、PHQ-9抑郁量表等标准化问卷捕捉个体差异特征。所有生理信号均经过严格的预处理流程，包括ICA去噪、时频特征提取等，最终形成时间对齐的多模态数据集。

特点

该数据集的核心价值在于其多维度的创新设计：首先，通过双范式诱导机制实现了效价-唤醒二维情绪模型的精准覆盖，视频刺激侧重效价区分，MMST则专注高唤醒状态；其次，创新性地整合了实验室设备与可穿戴技术，在保证EEG/ECG数据精度的同时探索了PI信号的实用价值；更重要的是，数据集包含丰富的人格特质、焦虑抑郁等心理测量数据，为研究个体差异对情绪处理的影响提供了独特视角。技术验证表明，基于1DCNN模型的情绪识别准确率在EEG模态达到90.46%（效价）和93.44%（唤醒），确立了数据集的高质量基准。

使用方法

研究者可通过分层文件结构高效访问数据集资源：生理数据文件夹包含原始信号(.cnt/.acq)、分段标记数据(.npy)和预处理结果(.fif)；问卷数据文件夹提供人口统计学和SAM情绪评分；刺激材料则包含分类视频文件。典型使用流程包括：基于预处理后的4秒生理信号片段提取时频域特征，结合问卷数据构建个性化情绪识别模型。数据集特别支持三种研究路径——单一模态分析可验证特定生理信号（如EEG）的判别能力；多模态融合可探索信号互补性；引入心理测量数据则能开发考虑个体差异的自适应模型。所有数据均配有详细的时间对齐标记和实验元数据，确保研究可复现性。

背景与挑战

背景概述

EVA-MED数据集由浙江大学与中国科学院心理研究所的研究团队于2025年联合发布，旨在推进基于效价-唤醒二维模型的精准情绪识别研究。该数据集创新性地整合了64名参与者的脑电图（EEG）、心电图（ECG）和脉搏间隔（PI）等多模态生理信号，并通过视频刺激与曼海姆多组分压力测试（MMST）双范式诱发不同情绪状态。其核心突破在于系统纳入了人格特质、焦虑抑郁等个体差异指标，弥补了传统数据集如DEAP、AMIGOS在个体化分析维度上的不足，为心理健康监测、人机交互等领域的个性化情感计算提供了重要数据支撑。

当前挑战

该数据集面临双重挑战：在领域问题层面，现有情绪识别模型对高唤醒状态与个体差异的捕捉仍存在精度局限，尤其穿戴设备采集的PI数据受采样率制约导致长程心率变异性分析困难；在构建过程中，多模态信号的时间同步、实验室级EEG/ECG与消费级穿戴设备的数据异构性融合，以及应激范式下情绪标签的客观验证均构成技术难点。此外，样本群体局限于青年学生，其生态效度向跨文化、全年龄场景的扩展仍需进一步探索。

常用场景

经典使用场景

EVA-MED数据集在情感计算领域具有广泛的应用价值，尤其在情感识别研究中展现了其独特优势。该数据集通过整合脑电图（EEG）、心电图（ECG）和脉搏间隔（PI）等多模态生理信号，结合视频刺激和曼海姆多成分压力测试（MMST）两种情感诱导范式，为研究者提供了丰富的情感状态数据。其经典使用场景包括基于深度学习的多模态情感识别模型开发，以及情感维度（效价和唤醒度）的精确建模。数据集的独特之处在于它不仅捕捉了广泛的情感反应，还系统性地考虑了人格特质、焦虑和抑郁等个体差异因素，为个性化情感识别研究提供了坚实基础。

衍生相关工作

EVA-MED数据集已经催生了一系列重要的衍生研究。基于该数据集的1D-CNN模型在情感效价和唤醒度识别任务中取得了突破性性能（准确率分别达90.46%和93.44%）。研究者还开发了融合多模态特征的集成学习框架，显著提升了情感状态分类的鲁棒性。在个性化情感建模方面，多项研究利用数据集中的心理评估数据，建立了考虑人格特质的自适应情感识别算法。此外，数据集的可穿戴设备数据分支促进了移动端轻量化情感识别模型的开发，为情感计算技术在消费电子产品中的应用铺平了道路。

数据集最近研究

最新研究方向

EVA-MED数据集作为情感计算领域的重要资源，其最新研究方向聚焦于多模态生理信号与个体差异的深度融合。通过整合脑电图、心电图和脉搏间隔数据，并结合人格特质、焦虑抑郁等心理评估指标，该数据集为建立个性化情感识别模型提供了前所未有的多维视角。当前前沿探索集中在三个维度：基于深度学习的跨模态特征融合算法优化，旨在提升效价-唤醒二维情感模型的预测精度；穿戴式设备采集的生理信号在真实场景中的生态效度验证，推动实验室成果向日常应用转化；个体心理特征对情感响应模式的调节机制研究，为精神健康监测提供客观量化依据。这些研究不仅推动了情感计算与临床心理学的交叉创新，也为智能人机交互、远程心理健康服务等热点应用场景提供了关键技术支撑。

相关研究论文

• EVA-MED: An Enhanced Valence-Arousal Multimodal Emotion Dataset for Emotion Recognition

  浙江大学信息科学与电子工程学院，中国科学院心理研究所 · 2025年