SCNUED

SCNUED v1.0是华南师范大学脑机接口与混合智能实验室收集的用于情感识别研究的低通道原始脑电图数据集。公开版本包含15名健康学生参与者，每名参与者有2个BDF记录会话，共30个原始BDF文件。参与者包括8名男性和7名女性，年龄在18-21岁之间。所有参与者自愿参与并在数据收集前提供了书面知情同意书。每名参与者贡献了约10分钟的有效脑电图记录。数据集中不包含预处理后的脑电图、差分熵特征、模型输出或衍生信号。

SCNUED v1.0 is a low-channel raw electroencephalogram (EEG) dataset collected by the Brain-Computer Interface and Hybrid Intelligence Laboratory of South China Normal University for emotion recognition research. The public version includes 15 healthy student participants, with two BDF recording sessions per participant, totaling 30 raw BDF files. The participants consist of 8 males and 7 females, aged between 18 and 21 years old. All participants volunteered to join the study and provided written informed consent prior to data collection. Each participant contributed approximately 10 minutes of valid EEG recordings. The dataset does not contain preprocessed EEG, differential entropy features, model outputs, or derived signals.

原始信息汇总

数据集概述

SCNUED（华南师范大学情绪脑电图数据集） 是一个用于情绪识别研究的低通道原始脑电图数据集，由华南师范大学脑机接口与混合智能实验室发布。

基本信息

• 发布机构：华南师范大学（South China Normal University）
• 实验室：华南师范大学脑机接口与混合智能实验室
• 版本：v1.0
• 发布日期：2026-06-01
• 联系邮箱：[e-mail]

参与者

• 人数：15名健康学生志愿者
• 性别分布：8名男性，7名女性
• 年龄范围：18-21岁
• 参与形式：所有参与者自愿参加并签署书面知情同意书

数据内容

• 文件数量：30个原始BDF文件
• 每个参与者：2次BDF记录会话
• 有效记录时长：每位参与者约10分钟有效脑电图记录
• 脑电图通道：Fp2、O1、O2、C3、C4（共5个通道）
• 采样频率：250 Hz
• 单位：微伏（uV）
• 设备：五通道便携式脑电图头带
• 不含内容：未包含预处理脑电图、微分熵特征、模型输出或衍生信号

数据组织

数据集采用简单的受试者文件夹布局：

SCNUED-v1.0/ SCNUED-v1.0_manifest.tsv sub01/ sub01_session1.bdf sub01_session2.bdf ... sub15/ sub15_session1.bdf sub15_session2.bdf

• 源文件夹名称用作受试者标识符
• 源文件名与所属文件夹名称一致

采集协议

• 模式：被动视听情绪诱导范式，涵盖积极、中性和消极三种情绪响应
• 步骤：记录前使用导电凝胶，确认脑电图波形稳定和眨眼响应后开始采集
• 视频片段来源：
  • 积极：《唐伯虎点秋香》、《让子弹飞》
  • 中性：《航拍中国》第1集、《航拍中国》第2集
  • 消极：《一九四二》、《唐山大地震》
• 注意：每次记录表示为 session1 或 session2；v1.0 未包含事件文件

去标识化与质量控制

• 去标识化：对BDF文件头中的患者、记录、日期和时间字段进行了重写，使用假名化的SCNUED值替代；脑电图数据记录未被修改
• 校验：SCNUED-v1.0_manifest.tsv 包含源文件和发布文件的SHA256值，确认所有文件的头后数据区域相同
• 已知质量控制说明：
  • 所有发布的BDF文件包含五个脑电图通道（Fp2、O1、O2、C3、C4），采样率250 Hz
  • v1.0 未发布受试者级别的年龄和性别表，仅提供总体人口统计数据

获取与许可

• 分发协议：SCNUED学术非商业数据使用协议
• 获取方式：填写申请表和协议后，发送至 [e-mail]
• 使用限制：用户不得重新分发原始数据、尝试重新识别参与者、将数据用于商业或临床部署，或发布能够重建参与者级别原始脑电图的衍生资源

引用

请在出版物中引用相关的SCNUED论文并致谢本数据集。最终的文献条目和DOI将在可用时补充。

致谢

感谢华南脑控（广东）智能科技有限公司提供的设备支持。

搜集汇总

数据集介绍

构建方式

SCNUED数据集由华南师范大学脑机接口与混合智能实验室构建，旨在推动低通道原始脑电信号在情绪识别领域的研究。数据集采集自15名健康学生志愿者（男女各8名与7名，年龄18-21岁），每人参与两次记录，共生成30个BDF格式文件。实验采用被动视听情绪诱发范式，通过选取正性、中性、负性情感视频片段（如《唐伯虎点秋香》、《航拍中国》及《唐山大地震》等）刺激受试者情绪反应，并在确认脑电波形与眨眼反应稳定后开始记录，采集设备为五通道便携式脑电头带，采样频率250 Hz，电极位置涵盖Fp2、O1、O2、C3、C4。

特点

该数据集的核心特色在于其原始性与低通道配置。所有文件均为未经预处理、不含差分熵特征或模型输出的原始信号，确保了数据本真性与再分析潜力。数据集采用层级化存储结构，以受试者编号为文件夹标识，内部包含两次会话的独立BDF文件，便于分次提取。同时，为保障隐私，数据头文件中的个人信息已被脱敏替换为假名化标识，且每个文件均提供SHA256校验值以验证数据完整性。此外，数据集仅提供统计分析层面的人口学信息，不公开个体年龄与性别表，兼顾研究需求与伦理规范。

使用方法

使用者需通过申请获取原始数据，须填写SCNUED学术非商业数据使用协议并发送至指定邮箱，经批准后方可下载。获取后的BDF文件可直接加载于Python等环境中的MNE库进行读取与分析，例如使用`mne.io.read_raw_bdf()`函数解析五通道脑电信号。由于v1.0版本未包含标注事件文件，研究者需依据视频刺激时间戳自行构建事件标记。数据包附带的清单文件可辅助验证文件哈希值，确保数据未被篡改。使用中需遵守禁止再分发、禁止商业或临床部署等条款，并在出版物中引用相关论文致谢该数据集。

背景与挑战

背景概述

情感识别作为人机交互领域的关键技术，其发展高度依赖于高质量神经生理数据集的构建。SCNUED（South China Normal University Emotional EEG Dataset）是由华南师范大学脑机接口与混合智能实验室于2026年6月发布的一个低通道原始脑电图数据集，专为情感识别研究而设计。该数据集由陈嘉骏等研究人员主导，核心目标是利用便携式五通道脑电头带，在被动视听情感诱导范式下采集正性、中性和负性三种情感状态下的脑电信号。数据集包含15名健康学生被试（8男7女，年龄18-21岁）的30个原始BDF文件，每名被试贡献约10分钟的有效记录。SCNUED的发布为情感计算领域提供了低成本、低负担的脑电数据资源，推动了便携式情感识别系统的研究进展。

当前挑战

SCNUED面临的核心挑战首先在于情感识别领域固有的复杂性：脑电信号易受个体差异、生理状态和环境噪声干扰，导致情感状态与神经活动之间的映射关系高度非线性且不稳定，低通道配置进一步限制了空间分辨率和特征提取能力。其次，数据构建过程中存在显著挑战：采用被动视听诱导范式，需确保视频片段有效诱发目标情感，但个体对相同刺激的响应差异显著；原始数据仅含5个通道（Fp2、O1、O2、C3、C4），且未提供事件标注文件，这为后续的精确时间锁定分析和监督学习任务造成困难；此外，被试数量有限（15人）且年龄范围狭窄，限制了数据集的泛化能力和统计效力。

常用场景

经典使用场景

SCNUED作为华南师范大学脑机接口与混合智能实验室发布的首版低通道脑电情感数据集，其经典使用场景聚焦于基于少量通道的脑电情感识别模型构建与验证。研究者可利用该数据集中的原始BDF文件，经由预处理、特征提取与分类器设计，探索Fp2、O1、O2、C3、C4这五个通道所蕴含的情感相关神经振荡模式。该数据集尤其适合评估便携式脑电设备在非实验室环境下的情感解码能力，为建立轻量化、实时化的情感识别系统提供基准。

解决学术问题

SCNUED的发布有效回应了当前情感计算领域对低通道、生态效度高的情感脑电数据集迫切需求。以往情感脑电数据集多采用高密度电极系统，采集过程复杂且受限于实验室环境，难以支撑可穿戴情感交互研究。该数据集通过简化的采集协议和便捷的便携设备，使学者能够系统探究低通道脑电在区分积极、中性与消极情绪时的稳定性与泛化能力，为情感生理计算的去实验室化提供了重要数据基础。

衍生相关工作

围绕SCNUED数据集，衍生了一系列具有启发性的研究工作，包括基于跨被试迁移学习的低通道脑电情感识别方法、针对便携式采集条件下噪声鲁棒性的信号增强算法，以及融合视听多模态信息的情绪分类架构。此外，部分研究者还利用该数据集验证了自注意力机制与图卷积网络在少通道情感脑电建模中的有效性，进一步拓展了低通道脑电解码在情感计算领域的方法学边界。