DEAP|情感分析数据集|EEG信号数据集

DEAP数据集用于情感分析，基于生理信号，特别是EEG信号。数据集处理包括功率谱密度(PSD)和离散小波变换(DWT)特征，用于分类EEG评级基于唤醒和价态(高/低)。

The DEAP dataset is utilized for emotion analysis based on physiological signals, particularly EEG signals. The dataset processing includes Power Spectral Density (PSD) and Discrete Wavelet Transform (DWT) features, which are used to classify EEG ratings based on arousal and valence (high/low).

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

• PSD (Power Spectral Density)
• DWT (Discrete Wavelet Transform)

分类依据

• Arousal and Valence (High / Low)

数据集获取

• 需通过邮件向授权人员申请下载权限
• 数据集链接：DEAP dataset

数据集文件

• Matlab文件用于处理EEG数据
• 需将Matlab文件放置于DEAP数据集文件夹内

数据处理步骤

• 运行process.m获取功率谱密度文本文件
• 每个测试文件包含4个特征：Alpha, Beta, Delta, Theta波功率谱密度比率（标准化总PSD），以及Valence, Arousal和合并（Valence+Arousal）的输出。1->低，2->高
• 运行dwt_feature_extraction.m生成DWT分析波的测试文件，包含3个特征：小波能量、小波熵和标准差，以及Arousal和Valence评级

数据分析与分类

• 包含“psd analysis knn and svm”和“dwt analysis”文件夹，内含处理后的文本文件和Python代码用于训练数据和分类
• 运行IPython笔记本文件进行KNN和SVM分类

参考文献

1. Kairui Guo, et al., EEG-based Emotion Classification using Innovative Features and Combined SVM and HMM Classifier. IEEE conference 2017
2. DEAP: A Database for Emotion Analysis using Physiological Signals - Sander Koelstra, et al.

AI搜集汇总

数据集介绍

构建方式

DEAP数据集的构建基于对脑电图（EEG）信号的深入分析，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率特征，包括α、β、δ和θ波的功率谱密度比，这些特征被归一化处理以消除个体差异。DWT方法则进一步提取了时间域特征，如小波能量、小波熵和标准差，这些特征与情绪的唤醒和效价状态密切相关。数据集的构建过程包括对原始EEG数据的预处理、特征提取和分类标签的生成，最终形成了包含情绪分类信息的文本文件。

特点

DEAP数据集的显著特点在于其多维度的特征表示和情绪分类的精细划分。数据集不仅包含了频率域的PSD特征，还引入了时间域的DWT特征，这使得情绪分析更加全面和准确。此外，数据集对情绪状态进行了细致的分类，基于唤醒和效价两个维度，将情绪分为高/低两个等级，这种分类方式有助于更精确地理解情绪的复杂性。数据集还提供了预处理和分类的代码，便于研究者快速上手和应用。

使用方法

使用DEAP数据集进行情绪分析时，首先需要获取数据集的访问权限，并通过提供的链接下载数据。随后，研究者可以使用Matlab脚本对数据进行预处理，生成包含PSD和DWT特征的文本文件。对于PSD特征，运行process.m脚本即可；对于DWT特征，则需运行dwt_feature_extraction.m脚本。生成的特征文件可用于训练机器学习模型，如KNN和SVM，以进行情绪分类。数据集还提供了Python代码，用于加载训练数据并进行分类模型的训练和评估。

背景与挑战

背景概述

DEAP数据集，全称为Database for Emotion Analysis using Physiological Signals，是由Sander Koelstra等研究人员于2011年创建的，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是如何利用EEG信号来准确分类和预测个体的情感状态，特别是基于唤醒（Arousal）和效价（Valence）两个维度。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数据平台，以探索和验证各种情感识别算法。

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信号的噪声和个体差异性使得特征提取和分类任务变得复杂。其次，数据集的情感标签依赖于主观评分，可能存在评分者间的不一致性。此外，尽管PSD（功率谱密度）和DWT（离散小波变换）特征已被用于情感分类，但这些方法在实际应用中的准确性仍有待提高。最后，数据集的获取需要通过邮件申请权限，这在一定程度上限制了其广泛使用和进一步研究。

常用场景

经典使用场景

在情感分析领域，DEAP数据集的经典使用场景主要集中在基于脑电图（EEG）信号的情感状态分类。通过提取脑电信号的功率谱密度（PSD）和离散小波变换（DWT）特征，研究人员能够对个体的情感状态进行细致的分类，特别是针对唤醒度和效价（高/低）的评估。这种分类方法不仅有助于理解个体在特定情境下的情感反应，还为开发基于EEG的情感识别系统提供了坚实的基础。

衍生相关工作

DEAP数据集的发布催生了一系列相关的经典工作，特别是在情感计算和脑机接口领域。例如，Kairui Guo等人在2017年IEEE会议上提出的基于创新特征和组合SVM与HMM分类器的EEG情感分类方法，即利用DEAP数据集进行验证。此外，Sander Koelstra等人提出的DEAP数据库也为后续研究提供了重要的参考，推动了情感分析技术的不断进步。

数据集最近研究

最新研究方向

在情感分析领域，基于脑电图（EEG）的DEAP数据集已成为前沿研究的热点。当前的研究主要集中在通过功率谱密度（PSD）和离散小波变换（DWT）提取特征，以分类基于唤醒度和效价的情感状态。这些方法不仅有助于理解脑电信号的频率特性，还能捕捉时间序列上的细微变化。此外，结合支持向量机（SVM）和隐马尔可夫模型（HMM）的混合分类器，显著提升了情感识别的准确性。这些研究不仅推动了情感计算技术的发展，也为心理健康评估和个性化用户体验优化提供了新的工具和方法。