SAM 40 Dataset

SAM 40数据集用于通过EEG记录进行压力分类。数据集包含不同类型的EEG数据，如原始数据、带通滤波数据和ICA滤波数据。

The SAM 40 dataset is utilized for stress classification through EEG recordings. The dataset encompasses various types of EEG data, including raw data, band-pass filtered data, and ICA filtered data.

原始信息汇总

EEG Stress Detection 数据集概述

数据集描述

• 数据集基于SAM 40 Dataset，用于通过EEG记录进行压力分类。

文件结构

dataset

• load_dataset(data_type="ica_filtered", test_type="Arithmetic")

  • 功能：加载指定类型的SAM 40数据集。
  • 参数：data_type可选值为raw, wt_filtered, ica_filtered；test_type指定测试类型。
  • 返回：形状为(120, 32, 3200)的ndarray。

• load_labels()

  • 功能：从数据集中加载标签并转换为二进制值。
  • 转换规则：值大于5设为1，小于等于5设为0。

• format_labels(labels, test_type="Arithmetic", epochs=1)

  • 功能：根据指定的测试类型过滤标签，并根据记录中的epochs重复标签。

• split_data(dataset, sfreq)

  • 功能：将EEG数据分割成1秒长度的epochs。

filtering

• 包含数据过滤的笔记本，使用bandpass过滤、Savitzky-Golay过滤和ICA过滤。
• ICA组件通过视觉检查确定噪声和伪影，并使用GUI进行选择。
• 数据可以保存到目录中用于分类。

features

• time_series_features(data)

  • 功能：计算峰值至峰值幅度、方差和rms等特征。
  • 输入：形状为(n_trials, n_secs, n_channels, sfreq)的数据。
  • 输出：形状为(n_trialsn_secs, n_channelsn_features)。

• freq_band_features(data, freq_bands)

  • 功能：计算delta、theta、alpha、beta和gamma等频带特征。
  • 输入：形状为(n_trials, n_secs, n_channels, sfreq)的数据。
  • 输出：形状为(n_trialsn_secs, n_channelsn_features)。

• hjorth_features(data)

  • 功能：计算Hjorth移动性（频谱）和Hjorth复杂性（频谱）特征。
  • 输入：形状为(n_trials, n_secs, n_channels, sfreq)的数据。
  • 输出：形状为(n_trialsn_secs, n_channelsn_features)。

• fractal_features(data)

  • 功能：计算Higuchi分形维度和Katz分形维度特征。
  • 输入：形状为(n_trials, n_secs, n_channels, sfreq)的数据。
  • 输出：形状为(n_trialsn_secs, n_channelsn_features)。

• entropy_features(data)

  • 功能：计算近似熵、样本熵、频谱熵和SVD熵等特征。
  • 输入：形状为(n_trials, n_secs, n_channels, sfreq)的数据。
  • 输出：形状为(n_trialsn_secs, n_channelsn_features)。

classification

• 使用从features加载的特征进行分类，使用KNN分类器、SVM分类器和MLP。

variables

• 包含项目中使用的全局变量的脚本。

搜集汇总

数据集介绍

构建方式

SAM 40数据集通过脑电图（EEG）记录构建，旨在检测压力状态。数据采集过程中，受试者被要求完成特定任务，如算术测试，以诱发不同程度的压力反应。EEG信号经过多种预处理步骤，包括原始信号采集、带通滤波、ICA滤波等，以确保数据的质量和可用性。数据以多维数组形式存储，便于后续分析和分类任务。

使用方法

使用SAM 40数据集时，首先通过`load_dataset`函数加载指定测试类型的数据，如算术测试。数据加载后，可通过`load_labels`函数获取二值化标签。为进一步处理数据，可使用`split_data`函数将EEG信号分割为1秒的片段。特征提取可通过`time_series_features`、`freq_band_features`等函数实现，提取的特征可用于分类任务。分类任务支持KNN、SVM和MLP等算法，用户可根据需求选择合适的分类器进行压力状态检测。

背景与挑战

背景概述

SAM 40数据集是一个专注于通过脑电图（EEG）记录进行压力检测的公开数据集，其研究背景源于心理健康领域对压力监测的迫切需求。该数据集由研究人员在2021年发布，相关研究成果发表于《Scientific Data》期刊。数据集的核心研究问题是通过EEG信号分析，识别个体在不同任务（如算术测试）中的压力状态。SAM 40数据集为压力检测领域提供了高质量的多通道EEG数据，推动了基于生理信号的情绪识别和心理健康监测技术的发展。其影响力不仅体现在学术研究中，还为临床诊断和个性化健康管理提供了重要的数据支持。

当前挑战

SAM 40数据集在解决压力检测问题时面临多重挑战。首先，EEG信号具有高噪声和低信噪比的特性，如何有效去除眼动、肌电等伪迹干扰是数据处理的关键难点。其次，压力状态的界定具有主观性，标签的生成依赖于受试者的自我报告，可能存在偏差。此外，数据集构建过程中，研究人员需设计合理的实验范式以诱发压力状态，同时确保数据的多样性和代表性。在特征提取和分类阶段，如何从复杂的EEG信号中提取具有判别性的特征，并构建高效的分类模型，也是该领域的重要挑战。这些问题的解决需要跨学科的合作与创新方法的引入。

常用场景

经典使用场景

SAM 40数据集在脑电图（EEG）研究领域中被广泛应用于压力检测。通过记录受试者在进行算术测试时的脑电活动，该数据集为研究人员提供了一个标准化的平台，用于分析和分类不同压力水平下的脑电信号。其经典使用场景包括通过ICA滤波和频带特征提取技术，对脑电信号进行预处理和特征提取，进而利用机器学习算法进行分类。

解决学术问题

SAM 40数据集解决了脑电图信号处理中的多个关键学术问题。首先，它通过提供经过滤波和特征提取的脑电数据，帮助研究人员克服了信号噪声和伪影的干扰。其次，该数据集支持压力水平的二分类任务，为压力检测模型的开发提供了可靠的数据基础。此外，其标准化的数据处理流程为脑电图研究提供了可重复的实验框架，推动了该领域的科学进展。

实际应用

在实际应用中，SAM 40数据集被用于开发基于脑电图的压力检测系统。这些系统可应用于心理健康监测、工作场所压力管理以及驾驶员疲劳检测等领域。通过实时分析脑电信号，系统能够识别个体的压力状态，从而提供及时的干预或预警。此外，该数据集还可用于优化脑机接口技术，提升其在压力相关应用中的性能。

数据集最近研究

最新研究方向

近年来，基于脑电图（EEG）数据的压力检测研究逐渐成为神经科学和心理健康领域的热点。SAM 40数据集作为该领域的重要资源，提供了经过ICA滤波等多种预处理方法的EEG数据，支持从时域、频域以及非线性特征等多个维度进行压力分类分析。当前研究主要集中在利用机器学习算法，如KNN、SVM和MLP，结合时频特征提取技术，进一步提升压力检测的准确性和鲁棒性。此外，随着深度学习技术的快速发展，基于SAM 40数据集的端到端神经网络模型研究也逐渐兴起，为实时压力监测和个性化心理健康干预提供了新的可能性。这一方向不仅推动了脑机接口技术的发展，也为心理健康领域的精准医疗奠定了数据基础。