DEAP dataset

DEAP数据集是一个用于情感分析的生理信号数据库，主要通过EEG信号来评估情感状态，包括唤醒度和效价。

The DEAP dataset is a physiological signal database designed for emotion analysis, primarily utilizing EEG signals to assess emotional states, including arousal and valence.

原始信息汇总

数据集概述

数据集名称

Human-Emotion-Analysis-using-EEG-from-DEAP-dataset

数据处理方法

• 使用PSD（功率谱密度）和DWT（离散小波变换）特征处理DEAP数据集。
• 根据Arousal和Valence（高低）对EEG评分进行分类。

数据集内容

• 每个生成的测试文件包含4个特征：alpha、beta、delta和theta波的功率谱密度比率（归一化总PSD），以及valence、arousal和combined（valence+arousal）的输出。1表示低，2表示高。
• DWT分析生成的测试文件包含3个特征：小波能量、小波熵和标准差，以及arousal和valence评级。

数据集使用方法

• 运行process.m以获取功率谱密度文本文件。
• 运行dwt_feature_extraction.m以生成DWT分析的波形测试文件。
• 使用已包含的Python代码和ipynb文件进行KNN和SVM分类。

数据集下载

• 需要通过发送邮件给授权人员获取下载权限。
• 下载链接：DEAP数据集

数据集文件结构

• 包含用于处理EEG数据的Matlab文件。
• 包含“psd analysis knn and svm”和“dwt analysis”文件夹，其中包含处理后的文本文件和用于训练数据和分类的Python代码。

搜集汇总

数据集介绍

构建方式

DEAP数据集的构建基于脑电图（EEG）信号的分析，采用了两种主要特征提取方法：功率谱密度（PSD）和离散小波变换（DWT）。PSD方法用于提取脑电信号的频域特征，包括alpha、beta、delta和theta波的功率谱密度比率，这些比率通过总功率谱密度进行归一化处理。DWT方法则进一步提取了时域特征，如小波能量、小波熵和标准差，这些特征与情绪状态的唤醒度和效价评级相结合，形成了一个多维度的情感分析数据集。

特点

DEAP数据集的显著特点在于其多模态特征的融合，不仅包含了传统的频域特征，还引入了时域特征，从而提供了更全面的情感状态描述。此外，数据集中的每个脑电波信号被分割为6秒的片段，共10个片段，这种精细的时间分割有助于捕捉情感变化的动态特性。数据集还提供了基于PSD和DWT特征的分类结果，便于研究者直接进行情感分类实验。

使用方法

使用DEAP数据集时，首先需要通过官方渠道获取数据集的访问权限。获取数据后，可以使用提供的Matlab脚本进行数据处理，生成包含PSD或DWT特征的文本文件。随后，可以通过Python代码读取这些特征文件，并利用KNN或SVM等分类算法进行情感状态的分类实验。数据集的文件夹中已包含处理后的文本文件和相应的Python代码，用户可以直接运行这些代码进行分类任务。

背景与挑战

背景概述

DEAP数据集（Database for Emotion Analysis using Physiological Signals）是由Sander Koelstra及其研究团队于2011年创建，旨在通过脑电图（EEG）信号分析人类情感状态。该数据集的核心研究问题在于如何利用EEG信号的频谱密度和离散小波变换（DWT）特征，对情感的唤醒度（Arousal）和效价（Valence）进行分类。DEAP数据集的发布对情感计算和神经科学领域产生了深远影响，为研究人员提供了一个标准化的工具，用于探索和验证基于生理信号的情感识别算法。

当前挑战

DEAP数据集在构建和应用过程中面临多项挑战。首先，EEG信号的噪声和不稳定性使得特征提取变得复杂，尤其是在频谱密度（PSD）和离散小波变换（DWT）的分析中。其次，情感状态的分类依赖于对唤醒度和效价的准确评估，而这两者在实际应用中往往难以精确区分。此外，数据集的处理和分类过程中，如何有效结合PSD和DWT特征，以及选择合适的分类算法（如KNN和SVM），也是研究者需要克服的技术难题。

常用场景

经典使用场景

DEAP数据集在情感分析领域中具有经典应用，主要用于通过脑电图（EEG）信号分析个体在观看视频片段时的情感反应。该数据集通过处理脑电信号的功率谱密度（PSD）和离散小波变换（DWT）特征，能够有效分类基于唤醒度和效价的情感状态（高/低）。这一过程为研究者提供了一种量化情感反应的工具，特别是在心理学和神经科学领域。

解决学术问题

DEAP数据集解决了情感计算领域中如何从生理信号中准确提取和分类情感状态的学术问题。通过结合PSD和DWT特征，该数据集不仅提供了频率域的分析，还引入了时间域的特征，从而提升了情感分类的准确性。这一进展对于理解人类情感的神经基础具有重要意义，并为情感识别技术的开发提供了坚实的基础。

衍生相关工作

基于DEAP数据集的研究衍生出了多项经典工作，其中包括使用创新特征和结合支持向量机（SVM）与隐马尔可夫模型（HMM）进行情感分类的研究。这些工作不仅提升了情感识别的准确性，还为多模态情感分析提供了新的思路。此外，该数据集还激发了关于脑电信号处理和情感计算交叉领域的深入研究，推动了相关技术的快速发展。