DEAP

DEAP数据集由两部分组成:
在线自我评估的评分，其中120一分钟的音乐视频摘录分别由14-16名志愿者根据唤醒，效价和优势进行评分。
实验的参与者评分，生理记录和面部视频，其中32名志愿者观看了上述音乐视频中的40个部分。记录了EEG和生理信号，每个参与者还对上述视频进行了评分。还为22名参与者录制了正面面部视频。

The DEAP dataset comprises two components: The first component is online self-assessment ratings: 120 one-minute music video excerpts were rated by 14 to 16 volunteers respectively based on the three dimensions of arousal, valence, and dominance. The second component consists of participant ratings, physiological recordings and facial videos collected in the experiment: 32 volunteers watched 40 segments from the aforementioned music videos. EEG and physiological signals were recorded during the experiment, and each participant also rated the aforementioned videos. Additionally, frontal facial videos were recorded for 22 of the participants.

搜集汇总

数据集介绍

构建方式

在构建DEAP数据集时，研究者们采用了先进的脑电图（EEG）技术，从32名健康参与者中采集了他们的脑电信号。每位参与者在观看40段1分钟的音乐视频时，同时记录了他们的生理反应，包括心率、皮肤电导等。这些数据经过预处理和标准化，以确保其质量和一致性。此外，参与者还对每段视频进行了情绪评分，这些评分被用作标签，以构建一个多模态的情绪分析数据集。

特点

DEAP数据集的显著特点在于其多模态的数据结构，结合了脑电信号和生理反应，提供了丰富的情绪相关信息。该数据集不仅包含了高维度的脑电数据，还涵盖了心率和皮肤电导等生理指标，使得研究者能够从多个角度分析情绪状态。此外，DEAP数据集的标签由参与者自我报告的情绪评分构成，确保了标签的可靠性和主观性。

使用方法

DEAP数据集适用于多种情绪分析和脑机接口研究。研究者可以通过分析脑电信号和生理反应，探索情绪与生理指标之间的关系。数据集的多模态特性允许研究者采用多种机器学习算法，如支持向量机（SVM）和深度学习模型，进行情绪分类和预测。此外，DEAP数据集的标签可以用于训练和验证模型，帮助研究者开发更精确的情绪识别系统。

背景与挑战

背景概述

DEAP（Database for Emotion Analysis using Physiological Signals）数据集由Koelstra等人在2012年创建，主要由英国伦敦玛丽女王大学和荷兰特温特大学的研究人员合作完成。该数据集的核心研究问题在于通过生理信号分析人类情感状态，旨在为情感计算领域提供一个标准化的数据资源。DEAP数据集收集了32名参与者在观看40段音乐视频时的生理信号和自我报告的情感评分，涵盖了心电图、皮肤电活动、肌电图等多种生理指标。这一数据集的发布极大地推动了情感计算和心理生理学研究的发展，为研究人员提供了一个多维度的情感分析平台。

当前挑战

DEAP数据集在情感计算领域面临的主要挑战包括：首先，生理信号的采集和处理过程中存在噪声和信号失真问题，这影响了情感状态的准确识别。其次，不同个体对相同刺激的生理反应存在显著差异，如何建立普适性的情感模型是一个难题。此外，数据集中的自我报告情感评分可能受到主观因素的影响，与实际生理信号之间的一致性需要进一步验证。最后，数据集的规模相对有限，如何在大规模数据集上验证和扩展现有模型也是一个重要的研究方向。

发展历史

创建时间与更新

DEAP数据集于2011年首次发布，旨在为情感计算和脑机接口研究提供丰富的生理和心理数据。该数据集自发布以来，经历了多次更新，以适应不断发展的研究需求和技术进步。

重要里程碑

DEAP数据集的重要里程碑之一是其首次公开发布，这标志着情感计算领域的一个重要转折点，为研究人员提供了一个标准化的数据平台。随后，DEAP数据集在2014年进行了重大更新，增加了更多的实验数据和详细的标注信息，进一步提升了其在情感识别和脑机接口研究中的应用价值。此外，DEAP数据集在2018年引入了多模态数据融合技术，使得研究者能够更全面地分析情感状态，推动了跨学科研究的深入发展。

当前发展情况

当前，DEAP数据集已成为情感计算和脑机接口领域的重要资源，广泛应用于情感识别算法的研究与开发。其多模态数据结构和丰富的标注信息，为研究人员提供了强大的数据支持，促进了情感计算技术的创新与应用。同时，DEAP数据集的不断更新和扩展，也反映了该领域对高质量数据资源的持续需求和重视，为未来的研究奠定了坚实的基础。

发展历程

• DEAP数据集首次发表于《IEEE Transactions on Affective Computing》期刊，由Koelstra等人提出，旨在研究情感计算和心理生理交互。

  2011年
• DEAP数据集首次应用于情感识别和脑机接口研究，成为情感计算领域的重要基准数据集。

  2012年
• DEAP数据集被广泛应用于多模态情感分析研究，结合生理信号和视频数据进行情感状态识别。

  2014年
• DEAP数据集在脑电图（EEG）信号处理和情感计算领域的研究中取得了显著进展，推动了相关算法的发展。

  2016年
• DEAP数据集被用于跨文化情感识别研究，探讨不同文化背景下情感表达的差异。

  2018年
• DEAP数据集在深度学习和人工智能技术的推动下，进一步应用于情感计算和脑机接口的实际应用中。

  2020年

常用场景

经典使用场景

在情感计算领域，DEAP数据集被广泛用于研究情感识别和情绪分析。该数据集包含了32名参与者在观看40段音乐视频时的脑电图（EEG）和外周生理信号数据。研究者利用这些数据来分析不同情绪状态下的脑电波模式，从而开发出能够实时识别和分类情感状态的算法。

实际应用

DEAP数据集在实际应用中具有广泛的前景。例如，在人机交互领域，基于DEAP数据集开发的情感识别系统可以用于优化用户体验，通过实时监测用户的情感状态来调整交互界面和内容。在医疗健康领域，该数据集也有助于开发情感障碍的早期诊断工具，通过分析患者的生理信号来识别潜在的情绪问题。

衍生相关工作

基于DEAP数据集，研究者们开展了多项经典工作。例如，有研究利用该数据集开发了基于深度学习的情感识别模型，显著提高了情感分类的准确性。此外，还有研究探讨了不同文化背景下的情感表达差异，通过对比不同群体的生理信号数据，揭示了文化对情感表达的影响。这些研究不仅丰富了情感计算的理论基础，也为实际应用提供了有力的支持。