monster-monash/DREAMERV

DreamerA数据集是一个多模态数据集，包含在使用音频-视觉刺激引发情感时记录的脑电图（EEG）和心电图（ECG）信号。该数据集使用14通道Emotiv EPOC耳机以128 Hz的采样率捕获。它由23名参与者在每次刺激后对自己的情感状态（效价、唤醒度和支配度）的自我评估组成。本研究中的分类任务专注于觉醒和效价标签，分别称为DreamerA和DreamerV。处理后的数据集包含170,246个长度为256的时间序列，每个时间序列代表2秒钟的数据。标签经过二值化处理，低于3的值分配给类别1，3或更高的值分配给类别2，并且已根据参与者分成交叉验证折。DreamerA dataset is a multimodal dataset that includes electroencephalogram (EEG) and electrocardiogram (ECG) signals recorded during affect elicitation using audio-visual stimuli. The dataset was captured using a 14-channel Emotiv EPOC headset at a sampling rate of 128 Hz, consisting of self-assessments of affective states (valence, arousal, and dominance) from 23 participants after each stimulus. The classification task in this study focuses on the arousal and valence labels, referred to as DreamerA and DreamerV respectively. The processed datasets both consist of 170,246 multivariate time series each of length 256, representing 2 seconds of data per time series at a sampling rate of 128 Hz. The labels have been binarized, with values below 3 assigned to class 1 and values of 3 or higher to class 2, and the dataset has been split into cross-validation folds based on participants.

搜集汇总

数据集介绍

构建方式

在情感计算与神经科学交叉领域，DreamerA数据集的构建体现了严谨的实验设计。该数据集通过Emotiv EPOC头戴设备采集23名参与者的脑电图信号，采样频率为128赫兹，同时结合视听刺激诱发情感状态。每位参与者在接受刺激后完成情感自我评估，涵盖效价、唤醒度和支配度三个维度。数据预处理阶段采用Torcheeg工具包进行信号裁剪与高低通滤波，最终形成长度为256的多元时间序列，对应每段2秒的脑电活动记录。

使用方法

该数据集主要服务于基于脑电信号的情感状态分类研究。使用者可通过HuggingFace平台直接加载预处理后的时间序列数据与二值化标签。在模型训练过程中，建议采用参与者独立的交叉验证策略，以评估算法在未见个体上的泛化性能。数据格式为标准的多元时间序列，可直接输入深度学习架构进行特征学习。研究者亦可结合原始论文提供的信号处理方法，探索不同滤波策略对分类效果的影响，或进一步融合其他模态数据开展多任务学习。

背景与挑战

背景概述

在情感计算与神经工程领域，基于生理信号的情感识别研究长期面临高质量公开数据稀缺的困境。Dreamer数据集由Stamos Katsigiannis与Naeem Ramzan等人于2017年创建，旨在通过无线低成本设备采集的多模态生理信号，推动情感状态解码技术的发展。该数据集核心聚焦于从脑电图与心电图信号中识别情感维度，特别是唤醒度与效价的双分类问题，为可穿戴设备在情感计算中的应用提供了关键基准。其采用标准化预处理流程与公开共享策略，显著降低了领域研究门槛，促进了脑机接口与情感智能模型的跨实验室可比性与可复现性。

当前挑战

情感识别领域长期受限于个体生理差异与信号噪声干扰，Dreamer数据集所针对的唤醒度与效价二分类任务，需克服脑电图信号固有的低信噪比与非线性动态特性带来的特征提取难题。在构建过程中，研究团队面临多模态数据同步校准、低成本设备信号质量波动，以及基于主观自我报告的情感标签可靠性验证等挑战。此外，数据预处理中需平衡滤波操作对信号保真度的影响，而依据参与者划分交叉验证折迭的策略，亦对模型泛化至新个体的能力提出了严格要求。

常用场景

经典使用场景

在情感计算与神经科学交叉领域，DreamerA数据集为基于脑电图（EEG）信号的情感识别研究提供了经典范例。该数据集通过记录参与者在视听刺激下的EEG信号，并标注其唤醒度标签，广泛应用于监督学习框架下的二分类任务。研究者常利用其多通道时间序列数据，构建深度学习模型，以探索脑电活动与情感状态之间的映射关系，为情感识别的算法验证与性能基准测试奠定基础。

解决学术问题

DreamerA数据集有效解决了情感识别研究中数据稀缺与标准化不足的学术难题。通过提供大规模、多参与者的同步EEG与情感标签数据，它支持了从信号预处理到模型训练的完整研究流程。该数据集促进了基于生理信号的情感维度理论验证，帮助学术界深入理解唤醒度等情感成分的神经表征，推动了跨学科方法在情感计算中的融合与创新。

实际应用

在实际应用层面，DreamerA数据集为开发非侵入式情感监测系统提供了关键数据支撑。基于其EEG信号与唤醒度标签，可训练模型用于心理健康评估、人机交互优化以及神经反馈治疗等领域。例如，在智能穿戴设备中，此类技术能实时识别用户情感状态，从而自适应调整交互内容，提升用户体验与健康管理效能。

数据集最近研究

最新研究方向

在情感计算与神经工程领域，基于DreamerA数据集的研究正聚焦于多模态情感识别的前沿探索。该数据集整合了脑电图与心电图信号，为情绪状态的高精度解码提供了丰富资源。当前热点方向在于利用深度学习模型，特别是结合注意力机制的时序神经网络，对脑电信号中的情感特征进行端到端学习，以提升情绪分类的准确性与鲁棒性。相关研究进一步探讨了跨被试泛化问题，通过迁移学习策略减少个体差异对模型性能的影响，推动情感脑机接口向实用化迈进。这些进展不仅深化了对情感神经机制的理解，也为心理健康监测与人机交互系统的发展奠定了数据基础。