SEED-IV数据集介绍学习笔记

SEED四分类数据集介绍

前文

在实验之前,我们选择了168个电影片段作为四种情绪(快乐、悲伤、恐惧和中性)的素材库。44名参与者(22名女性,均为大学生)被招募来评估他们在观看电影剪辑时的情绪,用四种离散情绪(快乐、悲伤、中性和恐惧)的关键词,并从两个维度对10个点(从-5到5)进行评分:价格和唤醒。价码从悲伤到快乐不等。唤醒范围从平静到兴奋。不同电影剪辑的平均分级分布如图3-6所示。

如图所示,这些条件在价格和唤醒等级方面存在显著差异,反映了在实验室环境中目标情绪的成功激发。最后,从在参与者之间获得最高匹配的材料池。这些选定片段的刺激通常导致四种目标情绪的激发。每个电影剪辑的持续时间约为两分钟。

正文

Subjects

共有15名健康的右手参与者(7名男性和8名女性,年龄在20至24岁之间)参加了实验。每次实验前,参与者都会被告知实验的目的和步骤以及整个实验的无害性。每个参与者在不同的日子里做了三次实验。三个疗程使用的刺激完全不同。因此,该数据集共有45个实验。

Experiment Protocol

为了避免重复,每个电影剪辑只放映一次。为了研究模型随时间的稳定性,我们为每个参与者在不同的时间设计了三个不同的会话。

每节课包括24个试验(每种情绪6个试验),三节课的刺激完全不同。图3-7展示了我们设计的情感实验的详细方案。每个电影剪辑都有一个5秒的开始提示和一个45秒的自我评估,在每个剪辑后使用PANAS量表[95]。参与者被要求观看情绪片段并引出相应的情绪。受试者的评分是基于他们在观看电影片段时的真实感受,而不是他们认为电影片段应该是什么。根据反馈,如果被试未能激发出正确的情绪或唤醒情绪不够强烈,则数据被丢弃。

为了研究电极还原的性能,我们选择了位于耳上方颞区的六个对称电极。电极位置是FT7,

图3-8所示的国际10-20系统的FT8、T7、T8、TP7和TP8。这些电极可以很容易地嵌入可穿戴耳机或眼镜架中。

为了比较在原全电极还原电极的性能上,我们还利用ESI神经扫描系统与国际10-20系统同步采集了62路EEG数据,并利用SMI-ETG眼动跟踪眼镜进行了眼动测量。图3-9显示了实验中的脑电图和眼睛跟踪设置。

 

  • 3
    点赞
  • 10
    收藏
    觉得还不错? 一键收藏
  • 4
    评论
seed-iv数据集是一个用于机器学习和数据分析的开放源代码数据集。该数据集主要用于种子质量评估和分类的研究。在该数据集中,包含了不同类型的种子和它们的特征数据。下面是关于seed-iv数据集的Python代码示例: ```python import pandas as pd # 从CSV文件中读取seed-iv数据集 seed_iv_data = pd.read_csv('seed_iv_dataset.csv') # 显示数据集的前几行 print(seed_iv_data.head()) # 查看数据集的统计信息 print(seed_iv_data.describe()) # 可视化数据集中的种子特征 import matplotlib.pyplot as plt plt.scatter(seed_iv_data['feature1'], seed_iv_data['feature2'], c=seed_iv_data['label']) plt.xlabel('Feature 1') plt.ylabel('Feature 2') plt.title('Seed-iv Dataset') plt.show() # 划分训练集和测试集 from sklearn.model_selection import train_test_split X = seed_iv_data.drop('label', axis=1) y = seed_iv_data['label'] X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 使用支持向量机模型训练数据集 from sklearn.svm import SVC from sklearn.metrics import accuracy_score svm_model = SVC(kernel='linear') svm_model.fit(X_train, y_train) # 预测并评估模型性能 y_pred = svm_model.predict(X_test) accuracy = accuracy_score(y_test, y_pred) print("SVM模型的准确率为:", accuracy) ``` 以上是使用Python对seed-iv数据集进行数据处理、可视化和模型训练的示例代码。通过这些代码,我们可以对seed-iv数据集进行分析和建模,以便更好地理解和利用这个数据集
评论 4
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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