MDEAW

MDEAW数据集是由加泰罗尼亚理工大学和Eurecat技术中心创建的多模态数据库，专注于通过无线可穿戴低成本设备记录的电皮肤活动（EDA）和光电容积脉搏波（PPG）信号进行情绪分析。该数据集包含10名学生在课堂考试中的情绪反应数据，以及他们的自我情绪评估。数据收集使用的是Shimmer传感器，旨在通过日常应用中的情感计算方法评估情绪状态。MDEAW数据集的应用领域主要集中在教育环境中的情绪状态分析，旨在通过情感数据改善学习效果。The MDEAW dataset is a multimodal database developed by the Polytechnic University of Catalonia and Eurecat Technology Center, focusing on emotion analysis using electrodermal activity (EDA) and photoplethysmogram (PPG) signals recorded via low-cost wireless wearable devices. This dataset contains emotional response data and self-reported emotion assessments from 10 students during their in-class exams. The data collection was conducted using Shimmer sensors, aiming to evaluate emotional states through affective computing approaches applicable in daily scenarios. The application scope of the MDEAW dataset mainly centers on emotional state analysis in educational environments, with the goal of improving learning outcomes via affective data.

搜集汇总

数据集介绍

构建方式

MDEAW数据集是在巴塞罗那Eurecat学院的真实课堂场景中构建的，旨在通过诱发学生的情绪反应来探究情绪对学习成效的影响。实验选取了10名男性学生（年龄23至57岁），以课程考试作为情绪刺激源，考试被划分为12组练习，每组时长5分钟，组间设有2分钟的冷却间隔。学生在每道题后依据Paul Ekman的六种基本情绪模型（悲伤、快乐、恐惧、愤怒、惊讶、厌恶）进行自我情绪标注。生理信号采集采用Shimmer Sensing的Consensys Bundle开发套件，这是一种便携、可穿戴、无线、低成本的商用设备，分别记录学生的皮肤电活动（EDA）和光电容积脉搏波（PPG）数据。传感器佩戴于学生的非惯用手，整个实验分两批次完成，每批次5人。原始数据通过Shimmer的Consensys软件导出为.csv和.mat格式，最终数据集仅提取EDA和PPG信号，并与情绪标签整合，以.csv文件形式存储，文件结构按学生ID和会话信息组织。

使用方法

MDEAW数据集的使用方法主要围绕从EDA和PPG信号中提取特征并进行情绪分类。研究者可采用小波分解（如Daubechies 4基函数）对非平稳的生理信号进行时频分析，从每个子带中提取熵、均值、中位数、标准差、方差、百分位数、均方根、过零率等统计特征。对于多模态融合，建议将EDA和PPG的特征向量分别归一化至[0,1]区间后进行拼接，形成融合特征以提高分类性能。数据集已通过ReMECS（基于前馈神经网络和增量随机梯度下降的在线学习系统）建立了基线结果，平均准确率和F1分数均达到0.9583。此外，研究者还可利用联邦学习框架（如Fed-ReMECS和Fed-ReMECS-U）在保护数据隐私的前提下进行分布式模型训练，以适应客户端数量变化（如5或10个客户端）的场景。数据集以.csv格式提供，每行包含题号、会话号、学生ID、EDA/PPG数据和情绪标签，便于直接加载和预处理。

背景与挑战

背景概述

情感计算领域长期受困于实验室环境下采集的高成本、非自然数据，难以迁移至真实教育场景。2022年，由Arijit Nandi、Fatos Xhafa等研究者于巴塞罗那Eurecat学院构建的MDEAW多模态数据集，首次聚焦课堂考试情境下学生的情感诱发过程。该数据集通过低成本、可穿戴的Shimmer传感器同步采集10名学生的皮电活动（EDA）与光电容积脉搏波（PPG）信号，并结合Paul Ekman六类基本情感模型的学生自评标签，为情感识别研究提供了贴近真实教育生态的生理信号资源。其核心研究问题在于验证便携式设备在课堂环境中识别情感状态的可行性，并探索融合多模态信号提升分类精度的路径。MDEAW的公开释放填补了教育领域情感分析数据集的空白，为联邦学习、流数据处理等前沿方法在情感计算中的应用奠定了实验基础。

当前挑战

MDEAW数据集面临多重挑战。在领域问题层面，课堂环境中的情感状态高度动态且个体差异显著，现有模型需克服非平稳生理信号（如EDA、PPG）的时变噪声与低信噪比问题，方能实现精准的情感分类；同时，六类基本情感在真实场景中常以混合或微弱形式呈现，传统离散标签体系难以刻画情感的连续性与复杂性。在构建过程中，受限于实验条件，参与者仅10名且均为男性，样本规模与性别多样性不足，导致模型易过拟合且泛化能力受限；此外，传感器佩戴舒适性与学生自评的主观偏差可能引入系统性误差，而两分钟冷却间隔的设计虽意图缓解情绪累积，却可能打断情感的自然演化流，影响数据生态效度。

常用场景

经典使用场景

MDEAW数据集的核心应用场景在于真实课堂环境下的多模态情感识别研究。该数据集通过便携式、低成本的无线可穿戴设备（Shimmer传感器）同步采集学生的皮肤电活动（EDA）和光电容积脉搏波（PPG）信号，同时记录学生在完成考试题目后的自我情感标注（基于Ekman六基本情绪模型）。这一设计使得研究者能够在生态效度较高的教育情境中，探索生理信号与情绪状态之间的映射关系，为情感计算领域提供了宝贵的真实世界数据支撑。

解决学术问题

该数据集有效解决了情感计算研究中长期存在的两大难题：一是缺乏面向真实教育场景的生理信号情感数据集，多数现有数据源于实验室诱发情境，生态效度不足；二是低成本可穿戴设备在情感识别中的适用性尚未得到充分验证。MDEAW通过构建课堂考试这一自然压力情境，揭示了EDA与PPG信号在识别学生情绪（如焦虑、愉悦）方面的潜力，并借助ReMECS、Fed-ReMECS等框架验证了融合多模态特征可显著提升分类精度，推动了情感识别技术从实验室走向实际教学场景的范式迁移。

实际应用

在实际应用层面，MDEAW数据集为智能教育系统的发展注入了新动能。基于该数据集训练的模型可被集成至在线学习平台或智慧教室中，通过实时监测学生的生理信号来动态评估其情绪状态，进而触发个性化干预策略——例如当检测到高焦虑水平时自动推送舒缓内容或调整题目难度。此外，其采用的低成本、非侵入式设备方案使得情感感知技术有望普及至资源有限的学校或家庭教育场景，实现情感健康监测的普惠化，为构建自适应、人性化的学习环境提供了可落地的技术路径。

数据集最近研究

最新研究方向

在情感计算与教育心理交叉领域，MDEAW数据集聚焦于真实课堂场景下学生情感状态的实时识别与多模态融合分析。该研究前沿紧密关联可穿戴低成本设备（如Shimmer传感器）在非侵入式学习监测中的部署，通过采集皮肤电活动（EDA）与光电容积描记（PPG）信号，结合联邦学习框架（如Fed-ReMECS-U）实现隐私保护下的分布式情感分类。当前热点事件包括远程教育与智能辅导系统的情感自适应反馈需求，该数据集通过引入真实考试情境中的六类基本情绪标签，填补了面向教育场景的公开多模态情感数据库空白，为构建可泛化的情感计算模型提供了基准，并推动了低资源环境下情感感知技术的实用化演进。

相关研究论文

• MDEAW: A Multimodal Dataset for Emotion Analysis through EDA and PPG signals from wireless wearable low-cost off-the-shelf Devices

  加泰罗尼亚理工大学和Eurecat技术中心 · 2022年