EEG_Dataset

该数据集用于情绪识别，选取了15个中文电影片段（正面、中性、负面情绪）作为实验刺激材料。每个电影片段约4分钟，经过精心编辑以引发特定情绪。数据集包含训练和测试数据，这些数据是经过降采样、预处理和分割的EEG差分熵数据。

This dataset is designed for emotion recognition, utilizing 15 selected Chinese movie clips (featuring positive, neutral, and negative emotions) as experimental stimuli. Each movie clip is approximately 4 minutes long and has been meticulously edited to evoke specific emotions. The dataset includes both training and testing data, which consist of downsampled, preprocessed, and segmented EEG differential entropy data.

原始信息汇总

数据集概述

1. 数据集用途

本数据集用于情绪识别，选取了15个中文电影片段（正面、中性、负面情绪）作为实验刺激材料。

2. 数据集内容

• 电影片段特征：

  • 每个电影片段时长约4分钟。
  • 经过精心编辑，以引发特定情绪并最大化情绪意义。

• 实验设置：

  • 每次实验共有15个试验。
  • 每个电影片段前有15秒提示，后有10秒反馈。
  • 电影片段的展示顺序设计为不连续展示相同情绪的电影片段。

• 反馈机制：

  • 参与者需在观看每个电影片段后立即完成问卷，报告其情绪反应。

• EEG特征：

  • 提出了一种新的EEG特征——差分熵，用于表示与情绪状态相关的特征。

3. 数据结构

• 数据集包含：
  • 提取的EEG信号差分熵（DE）特征。
  • 训练集包含84420个数据，测试集包含58128个数据。
  • 每条数据包含310个值，代表62个电极在5个频率的数据。

4. 数据使用

• 数据获取：

  • 从指定链接下载数据集。
  • 将数据文件解压并放置于项目/data/目录下。
  • 下载并放置load_data.py文件于/data/目录同级的目录中。

• 数据加载：

  • 使用load_data.py加载数据集，获取训练数据、测试数据及其标签。
  • 获取样本数量。

5. 联系方式

• 作者：Shiqi Wang
• 邮箱：[e-mail]

搜集汇总

数据集介绍

构建方式

EEG_Dataset的构建基于情感识别研究，选取了15段中国电影片段作为实验刺激材料，涵盖积极、中性和消极三种情感。每段视频时长约4分钟，经过精心剪辑以确保情感连贯性和最大化情感表达。实验设计包括15次试验，每次试验前有15秒提示，后有10秒反馈。反馈环节要求参与者通过问卷报告情感反应。数据采集过程中，提出了一种新的有效EEG特征——差分熵，用于表征情感状态相关的特征。数据集中的训练集和测试集均包含经过下采样、预处理和分段处理的EEG差分熵数据。

使用方法

使用EEG_Dataset时，首先从指定链接下载数据集并解压，将训练和测试文件放置在项目的/data/文件夹下。下载load_data.py文件并将其与/data文件夹置于同一目录。通过导入load_data模块，可以读取数据集并获取训练数据和标签、测试数据及标签，以及样本数量。具体使用方法包括调用read_data_sets函数返回DataSet类，并通过next_batch方法按批次获取训练数据和标签，直接访问测试数据和标签。

背景与挑战

背景概述

EEG_Dataset是一个专注于情感识别的脑电图数据集，由Shiqi Wang等研究人员创建。该数据集通过精心挑选的15个中国电影片段作为情感刺激材料，旨在捕捉参与者在观看这些片段时的脑电信号变化。每个片段时长约4分钟，经过精心编辑以最大化情感表达。数据集的核心研究问题在于如何通过脑电信号准确识别人类情感状态，特别是正面、中性和负面情感。该数据集在情感计算和脑机接口领域具有重要影响力，为研究者提供了一个标准化的情感识别基准。

当前挑战

EEG_Dataset在构建和应用过程中面临多重挑战。首先，情感识别本身是一个复杂的领域问题，情感的主观性和多样性使得准确分类变得困难。其次，脑电信号的高噪声和低信噪比特性增加了数据处理的难度。在数据构建过程中，研究人员需要确保所选电影片段能够有效引发单一目标情感，同时避免实验时间过长导致参与者疲劳。此外，数据预处理和特征提取的复杂性也对研究者的技术能力提出了较高要求。尽管提出了差分熵这一新的有效特征，但如何进一步提升分类精度仍是一个亟待解决的问题。

常用场景

经典使用场景

EEG_Dataset在情感识别领域具有广泛的应用，其经典使用场景包括通过脑电图（EEG）信号分析来识别和分类人类情感状态。该数据集通过精心挑选的电影片段作为情感刺激材料，结合差分熵（Differential Entropy）特征提取方法，为研究者提供了一个高效且可靠的情感识别实验平台。

解决学术问题

EEG_Dataset解决了情感识别研究中数据获取和特征提取的难题。通过提供预处理和分段后的差分熵特征数据，研究者可以专注于分类算法的开发和优化，而无需处理复杂的原始EEG信号。该数据集为情感计算、脑机接口等领域的研究提供了重要的数据支持，推动了相关学术问题的深入探讨。

实际应用

在实际应用中，EEG_Dataset被广泛用于开发情感识别系统，如智能医疗中的情绪监测、人机交互中的情感反馈系统等。通过分析用户的EEG信号，系统能够实时识别用户的情感状态，从而提供个性化的服务或干预措施。该数据集的应用不仅提升了情感识别技术的准确性，还为相关产品的商业化提供了技术支持。

数据集最近研究

最新研究方向

在情感识别领域，EEG_Dataset通过引入差分熵（Differential Entropy, DE）作为脑电信号特征，为情感状态的精准识别提供了新的研究视角。该数据集利用精心挑选的中国电影片段作为情感刺激材料，确保了实验的连贯性和情感诱导的有效性。近年来，基于该数据集的研究逐渐聚焦于多模态情感识别模型的开发，结合脑电信号与其他生理信号（如心电、肌电等），以提升情感识别的准确性和鲁棒性。此外，深度学习技术的引入，特别是卷积神经网络（CNN）和长短期记忆网络（LSTM）的应用，进一步推动了情感识别算法的优化与创新。这些研究不仅为情感计算领域提供了新的技术路径，也为心理学、神经科学等交叉学科的研究提供了宝贵的数据支持。