deap数据集

最新推荐文章于 2024-08-29 09:35:44 发布
最新推荐文章于 2024-08-29 09:35:44 发布
阅读量5.4k 收藏 57
点赞数 2
原文链接：http://www.eecs.qmul.ac.uk/mmv/datasets/deap/readme.html
版权

数据集摘要

DEAP 数据集由两部分组成：

  1. 来自在线自我评估的评级，其中120个一分钟的音乐视频摘录由14-16名志愿者根据唤醒，价和优势进行评级。
  2. 参与者评分，生理记录和面部视频的实验，其中32名志愿者观看了上述40个音乐视频的子集。记录脑电图和生理信号，每个参与者也对视频进行上述评分。对于22名参与者，还录制了正面面部视频。

有关数据集集合及其内容的更全面说明，请参阅 [1]

文件列表

以下文件可用（下面将更详细地解释每个文件）：

文件名格式部分内容
Online_ratingsXLS， CSV， ODS SPREADSHEET在线自我评估在线自我评估中的所有个人评分。
Video_listXLS， CSV， ODS SPREADSHEET两部分名称/YouTube 链接与在线自我评估中使用的音乐视频以及在线自我评估中个人评分的实验 + 统计数据相对应的链接。
Participant_ratingsXLS， CSV， ODS SPREADSHEET实验在实验过程中，所有参与者都对视频进行了评分。
Participant_questionnaireXLS， CSV， ODS SPREADSHEET实验参与者在实验前对问卷给出的答案。
Face_video压缩文件实验实验中的正面面部视频记录为参与者1-22。
Data_original压缩文件实验实验中原始未处理的生理数据记录，采用BioSemi .bdf格式
Data_preprocessedZip 文件 for Python 和 Matlab实验实验中以Matlab和Python（numpy）格式的预处理（减采样，EOG去除，过滤，分割等）生理数据记录

文件详细信息

online_ratings

此文件包含在在线自我评估期间收集的所有单个视频评级。该文件以 Open-Office Calc （online_ratings.ods）、Microsoft Excel （online_ratings.xls） 和逗号分隔值 （online_ratings.csv） 格式提供。

评级是使用在线自我评估工具收集的，如[1]中所述。参与者使用SAM人体模型以离散的9分制对唤醒，价和优势进行评分。此外，参与者还使用情绪轮对感受到的情绪进行评分（见[2]）。

文件中的表每个评级有一行和以下列：

列名描述: __________
Online_id与video_list文件中同一列对应的视频 ID。
原子价价额定值（介于 1 和 9 之间的整数）。
觉醒唤醒评级（介于 1 和 9 之间的整数）。
优势优势评级（介于 1 和 9 之间的整数）。
Wheel_slice在情感轮上选择的切片。对于一些参与者来说，情绪轮评级没有被正确记录。在这些情况下，Wheel_slice值为 0。否则，轮子上的情绪映射到这里给出的整数是：
  1. 自豪
  2. 得意洋洋
  3. 喜悦
  4. 满意
  1. 救济
  2. 希望
  3. 利息
  4. 惊喜
  1. 悲伤
  2. 恐惧
  3. 羞耻
  4. 内疚
  1. 羡慕
  2. 厌恶
  3. 蔑视
  4. 愤怒
Wheel_strength在情感轮上选择的强度（介于 0 = 弱和 4 = 强之间的整数）。

video_list

此文件以表格形式列出在线自我评估和实验中使用的所有视频。该文件以 Open-Office Calc （video_list.ods）、Microsoft Excel （video_list.xls） 和逗号分隔值 （video_list.csv） 格式提供。

该表的每个视频有一行，包含以下列：

列名描述: __________
Online_id在线自我评估中使用的唯一 ID。
Experiment_id如果为实验选择了此视频，则会列出实验中使用的唯一 ID。如果未选中，则为空。
Lastfm_tag如果此视频是通过 last.fm 情感标签选择的，则会列出情感标签。否则为空白。
艺术家录制这首歌的艺术家。
标题歌曲的标题。
Youtube_link下载视频的原始 youtube 链接。请注意，由于版权限制，我们无法提供我们使用的视频，这些链接可能已被删除或在您所在的国家/地区不可用。
Highlight_start提取的一分钟突出显示开始的时间（以秒为单位），由 MCA 分析确定。对于某些视频，突出显示被手动覆盖（例如，当歌曲的某个部分特别知名时）。
Num_ratings在线自我评估中对此视频进行评分的志愿者人数
VAQ_Estimate实验者选择了该视频的价/唤醒象限。对于每个象限，last.fm 选择了 15 个视频，手动选择了 15 个视频。象限是：
  1. 高唤醒，高价。
  2. 低唤醒，高价。
  3. 低唤醒，低价。
  4. 高唤醒，低价。
VAQ_Online价/唤醒象限由在线自我评估中志愿者的平均评分确定。请注意，这些可能而且有时确实与估计的象限不同。
AVG_x， STD_x，Q1_x， Q2_x，
Q3_x		志愿者在在线自我评估中的平均值、标准差和评分x（价/唤醒/优势）的第一、第二和第三四分位数。

participant_ratings

此文件包含实验期间收集的所有参与者视频评分。该文件以 Open-Office Calc （participant_ratings.ods）、Microsoft Excel （participant_ratings.xls） 和逗号分隔值 （participant_ratings.csv） 格式提供。

start_time值由演示软件记录。在每次试验后，使用标准小鼠以连续的9分制直接对价，唤醒，优势和喜欢进行评级。SAM人体模型用于可视化价，唤醒和支配的评级。为了喜欢（即你有多喜欢这个视频？），使用了竖起大拇指和竖起大拇指的图标。实验结束后，以5分整数等级对熟悉度进行评分（从“以前从未听过”到“经常听”）。不幸的是，参与者 2、15 和 23 缺少熟悉度评级。

文件中的表包含每个参与者视频分级的一行和以下列：

列名列内容
Participant_id参与者的唯一 ID （1-32）。
试验试用编号（即演示顺序）。
Experiment_id与video_list文件中同一列对应的视频 ID。
Start_time试用视频播放的开始时间（以微秒为单位）（相对于实验开始时间）。
原子价价额定值（在 1 到 9 之间浮动）。
觉醒唤醒评级（浮动在 1 到 9 之间）。
优势优势评级（在 1 到 9 之间浮动）。
爱好喜欢评级（浮动在 1 到 9 之间）。
熟悉熟悉度分级（介于 1 和 5 之间的整数）。如果缺失，则为空白。

participant_questionnaire

该文件包含参与者对实验前填写的问卷的回答。该文件以 Open-Office Calc （participant_questionnaire.ods）、Microsoft Excel （participant_questionnaire.xls） 和逗号分隔值 （participant_questionnaire.csv） 格式提供。

问卷中的大多数问题都是多项选择题，几乎不言自明。不幸的是，参与者26未能填写问卷。该调查问卷还包含同意书上问题的答案（数据可以用于研究，您的图像可以发布吗？

face_video.zip

Face_video.zip包含实验中为前22名参与者录制的正面面部视频，分为试验。在 zip 文件中，s XX/sXX_trial_YY.avi对应于受试者XX 的试用 YY 视频。

对于受试者3、5、11和14，由于技术问题（即磁带用完），最后一项或几项试验缺失。请注意，这些视频按演示顺序排列，因此试用编号与video_list文件中的Experiment_id列不对应。试验编号和Experiment_id之间的映射可以在participant_ratings文件中找到。

视频是使用索尼 DCR-HC27E 摄录一体机从放置在屏幕后面的三脚架以 DV PAL 格式录制的。然后根据试验对视频进行分割，并使用h264编解码器转码为50 fps的去隔行扫描视频。转码是使用 mencoder 软件完成的，使用以下命令完成：

mencoder sXX.dv -ss trialYY_start_second -endpos 59.05 -nosound -of avi -ovc x264
  -fps 50 -vf yadif=1:1,hqdn3d -x264encopts bitrate=50:subq=5:8x8dct:frameref=2:bframes=3 
  -noskip -ofps 50 -o sXX_trialYY.avi

视频的同步精确到大约 1/25 秒（除非人为错误）。通过在实验前后显示红色屏幕以及发送到脑电图记录PC的标记来实现同步。然后在视频录制中手动标记此屏幕的起始帧。然后根据脑电图记录中的试验开始标记计算单个试验开始时间。

data_original.zip

这些是原始数据记录。有32个.bdf文件（由Actiview录音软件生成的BioSemi数据格式），每个文件有48个512Hz的录制通道（32个脑电图通道，12个外围通道，3个未使用的通道和1个状态通道）。.bdf文件可以被各种软件工具包读取，包括用于Matlab的EEGLAB和BIOSIG工具包。

数据记录在两个不同的位置。参与者1-22在特温特记录，参与者23-32在日内瓦记录。由于硬件版本不同，格式存在一些细微差异。首先，两个位置的脑电图通道顺序不同。其次，每个地点的GSR措施采用不同的格式。

下表给出了两个位置的 EEG 通道名称（根据 10/20 系统）以及可用于将一个订单转换为另一个订单的索引：

频道号中文名 特温特中文名 日内瓦日内瓦>特温特特温特>日内瓦
1哎呀哎呀11
2AF3AF322
3F7F344
4F3F733
5发展中国家中国共产党66
6中国共产党发展中国家55
7T7C388
8C3T777
9菲亚特动力科技CP51010
10CP5菲亚特动力科技99
11小七小三1212
12小三小七1111
13PzPO31614
14PO3O11315
15O1奥兹1416
16奥兹Pz1513
17O2Fp23230
18PO4AF43129
19小四Fz2931
20小八F43027
21转数快F82728
22CP2CCS2825
23C4FC22526
24T8Cz2632
25CCSC42223
26FC2T82324
27F4转数快2021
28F8CP22122
29AF4小四1819
30Fp2小八1720
31FzPO41918
32CzO22417

The remaining channel numbering is the same for both locations. However, please note the GSR measurement is in different units for the two locations. The Twente GSR measurement is skin resistance in nano-Siemens, whereas the Geneva GSR measurement is skin conductance in Ohm. The conversion is given by:

GSRGeneva = 109 / GSRTwente

The following table gives the meaning of the remaining channels:

Channel numberChannel nameChannel content
33EXG1hEOG1 (to the left of left eye)
34EXG2hEOG2 (to the right of right eye)
35EXG3vEOG1 (above right eye)
36EXG4vEOG4 (below right eye)
37EXG5zEMG1 (Zygomaticus Major, +/- 1cm from left corner of mouth)
38EXG6zEMG2 (Zygomaticus Major, +/- 1cm from zEMG1)
39EXG7tEMG1 (Trapezius, left shoulder blade)
40EXG8tEMG2 (Trapezius, +/- 1cm below tEMG1)
41GSR1Galvanic skin response, left middle and ring finger
42GSR2Unused
43Erg1Unused
44Erg2Unused
45RespRespiration belt
46PletPlethysmograph, left thumb
47TempTemperature, left pinky
48StatusStatus channel containing markers

The status channel contains markers sent from the stimuli presentation PC, indicating when trials start and end. The following status markers were employed:

Status codeEvent durationEvent Description
1 (First occurence)N/Astart of experiment (participant pressed key to start)
1 (Second occurence)120000 msstart of baseline recording
1 (Further occurences)N/Astart of a rating screen
21000 msVideo synchronization screen (before first trial, before and after break, after last trial)
35000 msFixation screen before beginning of trial
460000 msStart of music video playback
53000 msFixation screen after music video playback
7N/AEnd of experiment

data_preprocessed_matlab.zip and data_preprocessed_python.zip

These files contain a downsampled (to 128Hz), preprocessed and segmented version of the data in Matlab (data_preprocessed_matlab.zip) and pickled python/numpy (data_preprocessed_python.zip) formats. This version of the data is well-suited to those wishing to quickly test a classification or regression technique without the hassle of processing all the data first. Each zip file contains 32 .dat (python) or .mat (matlab) files, one per participant. Some sample code to load a python datafile is below:

import cPickle
x = cPickle.load(open('s01.dat', 'rb'))

Each participant file contains two arrays:

Array nameArray shapeArray contents
data40 x 40 x 8064video/trial x channel x data
labels40 x 4video/trial x label (valence, arousal, dominance, liking)

The videos are in the order of Experiment_id, so not in the order of presentation. This means the first video is the same for each participant. The following table shows the channel layout and the preprocessing performed:

Channel no.Channel contentPreprocessing
1Fp1
  1. The data was downsampled to 128Hz.
  2. EOG artefacts were removed as in [1].
  3. A bandpass frequency filter from 4.0-45.0Hz was applied.
  4. The data was averaged to the common reference.
  5. The EEG channels were reordered so that they all follow the Geneva order as above.
  6. The data was segmented into 60 second trials and a 3 second pre-trial baseline removed.
  7. The trials were reordered from presentation order to video (Experiment_id) order.
2AF3
3F3
4F7
5FC5
6FC1
7C3
8T7
9CP5
10CP1
11P3
12P7
13PO3
14O1
15Oz
16Pz
17Fp2
18AF4
19Fz
20F4
21F8
22FC6
23FC2
24Cz
25C4
26T8
27CP6
28CP2
29P4
30P8
31PO4
32O2
33hEOG (horizontal EOG, hEOG1 - hEOG2)
  1. The data was downsampled to 128Hz.
  2. The data was segmented into 60 second trials and a 3 second pre-trial baseline removed.
  3. The trials were reordered from presentation order to video (Experiment_id) order.
34vEOG (vertical EOG, vEOG1 - vEOG2)
35zEMG (Zygomaticus Major EMG, zEMG1 - zEMG2)
36tEMG (Trapezius EMG, tEMG1 - tEMG2)
37GSR (values from Twente converted to Geneva format (Ohm))
38Respiration belt
39Plethysmograph
40Temperature

references

  1. "DEAP: A Database for Emotion Analysis using Physiological Signals", S. Koelstra, C. Muehl, M. Soleymani, J.-S. Lee, A. Yazdani, T. Ebrahimi, T. Pun, A. Nijholt, I. Patras, IEEE Transactions on Affective Computing, Special Issue on Naturalistic Affect Resources for System Building and Evaluation, in press
  2. "What are emotions? And how can they be measured", K.R. Scherer, Social Science Information,vol. 44, no. 4, pp. 695-729, 2005.

 

***星星***
关注
DEAP数据集介绍
qq_45874683的博客
07-21 2万+
DEAP数据介绍： 数据来源： DEAP: A Dataset for Emotion Analysis using Physiological and Audiovisual Signals (qmul.ac.uk) 数据简单介绍： 采集了32名（16名男性和16名女性）健康参与者的脑电数据。参加实验的人身体和心理都是健康状态，按照“10-20”国际导联标准的 32 导联（见电极分布图）电极帽采集脑电信号。志愿者被要求观看40个时长为一分钟的视频，并在512Hz 采样频率下采集...
机器学习——DEAP数据集
qq_34598178的博客
06-20 1万+
DEAP数据集介绍 DEAP（Database for Emotion Analysis usingPhysiological Signals)，该数据库是由来自英国伦敦玛丽皇后大学，荷兰特温特大学，瑞士日内瓦大学，瑞士联邦理工学院的Koelstra 等人通过实验采集到的，用来研究人类情感状态的多通道数据，可以公开免费获取。该数据库是基于音乐视频材料诱发刺激下产生的生理信号，记录了32名受试者，观看40分钟音乐视频（每一个音乐视频1分钟）的生理信号和受试者对视频的Valence, Arousal, Domi
deap数据集与代码，详细内容见博客，搭建环境，版本见博客
03-02
deap数据集与代码，详细内容见博客，搭建环境，版本见博客
翻译领域的AI先驱——DeepL
最新发布
m0_65134936的博客
08-29 1405
在全球化日益加深的今天，语言交流成为连接不同文化和国家的桥梁。然而，语言障碍依然是制约信息流动和合作效率的重要因素。为了突破这一限制，人工智能翻译技术应运而生，而DeepL无疑是这一领域的佼佼者。DeepL是一款由德国AI创业公司DeepL GmbH开发的翻译软件，以其高质量的翻译输出和用户友好的界面而闻名。它采用了先进的神经网络技术，能够提供快速、准确的翻译服务，特别适用于需要高精度翻译的专业场景。本文将从专业化的角度，深入解析DeepL作为在线翻译软件的独特魅力和技术优势。
[翻译+注解] DEAP dataset：a dataset for emotion analysis using eeg, physiological and video signals
Le0v1n 的博客
08-29 7273
DEAP dataset：a dataset for emotion analysis using eeg, physiological and video signals DEAP dataset：一个使用 EEG、生理和视频信号的情感分析数据集
DEAP dataset数据集 SEED dataset数据集
f的博客
12-31 9444
DEAP 数据集 data_preprocessed_python 提取处理函数 def save_all_labels_into_file(): x = pickle.load(open('D:\eng\data_preprocessed_python\s01.dat', 'rb'), encoding='latin1') # dict labels = x['labels'] valence_and_arousal = (labels[:, [0, 1]] - 5)
DEAP 情绪数据集介绍
weixin_40911578的博客
12-08 5256
DEAP（Database for Emotion Analysis usingPhysiological Signals)，该数据库是由来自英国伦敦玛丽皇后大学，荷兰特温特大学，瑞士日内瓦大学，瑞士联邦理工学院的Koelstra 等人通过实验采集到的，用来研究人类情感状态的多通道数据，可以公开免费获取。该数据库是基于音乐视频材料诱发刺激下产生的生理信号，采集了32名（16名男性和16名女性）健康参与者的脑电数据。
deap很好的数据说明
12-22
deap很好的数据说明，有利于专业人士借鉴，更好掌握分析方法
基于DEAP数据集的特征提取———近似熵、排列熵、样本熵
11-26
基于DEAP数据集的特征提取———近似熵、排列熵、样本熵， 包含上述三个方法的python代码实现，全部在Jupyter Notebook上实现的。
个人收集的deap数据集，脑电信号分类的工程文件
07-01
个人收集的deap数据集，脑电信号分类的工程文件，有十多个工程，有的有一些说明，值得研究一下。前面是用到的算法，后面是准确率。 1.1D CNN，82.4% 2.KNN，分类器 3.SVM4.CNN 7.ANN-83% 8.ANN-SVM，85% 9.97% 10.4D-cnn，94% 11，cnn-Istm 12.Gradient Boosting Machine&PCA 13.ACRNN，97% 14.TSception，61.57% 16.CNN 17.AMR+DWT，86.4% 18，MT-CNN，96% 19.cnn-Istm-GRU，99%
EEG代码实践：基于图卷积神经网络（GCN）的DEAP数据集分类
SashiMoore的博客
05-25 8892
图卷积神经网络（Graph Convolutional Network，GCN）是一种用于处理图结构数据的深度学习算法。它扩展了传统的卷积神经网络（CNN）到图领域，可以对节点在图上的特征进行学习和预测。GCN具有广泛的应用，包括社交网络分析、推荐系统、生物信息学等领域。图 1 GCN概念图GCN首先将图表示为邻接矩阵A和节点特征矩阵X。邻接矩阵A描述了图中节点之间的连接关系，其中A(i, j)表示节点i和节点j之间是否存在边。节点特征矩阵X包含了每个节点的特征向量，可以是节点的属性或者其他表示。
DEAP情绪识别_DEAP数据集下载_源码
09-29
EEG-Emotion-classification-master_merelyts3_said63o_songc4x_DEAP情绪识别_DEAP数据集下载_源码.rar
deap脑电信号数据集下载，已上传百度网盘
04-28
deap脑电信号数据集下载，已上传百度网盘 失效可根据联系方式进行获取
DEAP脑电数据集及部分代码
07-21
包含百度云链接，包含完整的DEAP脑电数据集，可用于脑电情绪识别等等
DEAP数据集的特征提取-近似熵、排列熵、样本熵.zip
11-17
基于DEAP数据集的特征提取———近似熵、排列熵、样本熵， 包含上述三个方法的python代码实现，全部在Jupyter Notebook上实现的
（论文加源码）基于多尺度卷积神经网络的脑电情绪识别（数据集为deap）
04-07
在本文中，我们提出了一种多尺度卷积神经网络TSception，用于从脑电图（EEG）中学习时域特征和空间不对称性。TSception由动态时间层、非对称空间层和高层融合层组成，这些层同时学习时间和通道维度上的区别表示。动态时间层由多尺度一维卷积核组成，其长度与脑电信号的采样率有关，学习脑电的动态时间和频率表示。非对称空间层利用情绪反应背后的非对称神经激活，学习辨别性的全局和半球表征。学习到的空间表示将通过高级融合层进行融合。使用更广义的交叉验证设置，在两个公开可用的数据集DEAP和MAHNOB-HCI上对所提出的方法进行了评估。该网络的性能与之前报道的方法进行了比较，如SVM、KNN、FBFgMDM、FBTSC、无监督学习、DeepConvNet、ShallowConvNet和EEGNet。在大多数实验中，与比较的方法相比，我们的方法获得了更高的分类精度和F1分数。
DEAP
qq_41897218的博客
02-27 987
DEAP数据集用来分析人类的情感o状h态。记录32名参与者z的脑电图和周围生理信号，每个人观看40段一分钟长的音乐视频片段。参与者根据唤起程度、情感、喜欢/不喜欢、支配和熟悉程度对每个视频进行评分。32名参与者中有22人也被记录了正面的视频。提出了一种基于情感标签检索的刺激选择方法，和在线评估工具。在实验中对参与者的评分进行了广泛的分析。研究了脑电图信号频率与受试者评分的相关性。方法...
DEAP数据库的简介
热门推荐
woaidapaopao的博客
10-17 2万+
实验室就自己一个方向：做基于生理信号的情感识别，一直知道有DEAP这个数据库，但是一直没有用，自己建的数据库效果不好，所以准备用DEAP试一试。下面总结一下DEAP库的使用方法。 1、DEAP数据库        首先看一下DEAP的建库流程，首先就是找人在一堆MV中选了40个MV。然后又找了32个测试者（一半男一半女），然后给他们看MV。流程是：2分钟平静---->2秒的显示当前MV序号--
DEAP数据库介绍--来自于音乐视频材料诱发得到的脑电数据
脑机接口社区
01-30 5296
目录DEAP数据库简介DEAP数据库数据采集 本分享为脑机学习者Rose整理发表于公众号：脑机接口社区(微信号：Brain_Computer).QQ交流群：903290195 DEAP数据库简介 DEAP[1](Database for Emotion Analysis usingPhysiological Signals)，该数据库是由来自英国伦敦玛丽皇后大学，荷兰特温特大学，瑞士日内瓦大学，...
deap数据集如何下载
04-10
DEAP（Database for Emotion Analysis using Physiological Signals）是一个用于情绪分析的数据库，其中包含了来自多个参与者的生理信号数据。如果你想下载DEAP数据集，可以按照以下步骤进行操作： 1. 首先，访问DEAP数据集的官方网站：http://www.eecs.qmul.ac.uk/mmv/datasets/deap/index.html 2. 在网站上，你可以找到关于DEAP数据集的详细信息和下载链接。 3. 点击下载链接，你将被重定向到一个页面，其中包含了DEAP数据集的下载链接。 4. 在该页面上，你需要填写一个简单的表格，提供一些个人信息和使用目的等信息。 5. 填写完表格后，你将获得一个下载链接，点击该链接即可开始下载DEAP数据集。 请注意，由于DEAP数据集较大，下载可能需要一些时间。此外，使用DEAP数据集时，请遵循相关的使用规定和许可证要求。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值