上海交大情感脑电数据集(SEED)简介

最新推荐文章于 2025-03-09 16:35:55 发布

脑机接口社区

最新推荐文章于 2025-03-09 16:35:55 发布

阅读量1.7w

点赞数 7

文章标签：人工智能计算机视觉大数据物联网机器学习

本文链接：https://blog.csdn.net/zyb228/article/details/120407967

版权

SEED数据集由15位受试者在观看精心挑选以引发不同情感的电影片段时产生的脑电信号组成。该数据集分为预处理后的EEG数据和提取的特征两部分，适用于情感分类研究。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

SJTU 情感脑电数据集（SEED）是由BCMI实验室提供的EEG数据集的集合，该实验室由路宝良教授领导。

数据集官网以及获取地址：

http://bcmi.sjtu.edu.cn/~seed

SEED数据集介绍

SEED数据集包含对象观看电影剪辑时的脑电信号。仔细选择影片剪辑，以引起不同类型的情感，包括积极（positive），消极（negative）和中性(neutral)的情感。

1、刺激与实验

从材料库（6部电影）中选择了15个中国电影剪辑（正面，中性和负面情绪）作为实验中使用的刺激。胶片夹的选择标准如下：

整个实验的时间不应太长，以免会使受试者感到疲劳；
影片应理解无须说明；
视频应引起一种期望的目标情感。每个影片剪辑的持续时间约为4分钟。

每个影片剪辑都经过精心编辑，以产生连贯的情感，并最大化情感含义。实验中使用的影片剪辑的详细信息如下：earthquake=aftershock

每次实验需要把15个电影剪辑都观看完，因此每次实验总共有15个试验trials。在一个剪辑中，每个剪辑之前有**5s提示，自我评估为45s，休息后为15s。**安排放映的顺序，使针对同一情感的两个影片剪辑不会连续显示。对于反馈，要求参与者在观看完每个剪辑后立即完成问卷，以报告他们对每个剪辑的情感反应。详细协议如下所示：

2、受试者（subjects）

15名中国受试者（男性7名，女性8名；MEAN（平均年龄）：23.27，STD（标准差）：2.37）参加了实验。为了保护个人隐私，我们将其名称隐藏起来，并用1到15之间的数字表示每个主题。

3、数据集摘要

SEED数据集包含两个部分：

3.1 “ Preprocessed_EEG”文件

包含Matlab中的EEG数据的降采样，预处理和分段版本（.mat文件）。数据下采样到200Hz。应用了0-75Hz的带通频率滤波器。我们提取了与每部电影的时长相对应的脑电图片段。总共有45个.mat（Matlab）文件，每个实验一个，每个受试者进行实验三次，间隔约一周15人X3次=45。每个主题文件包含15个数组,每个数组包含一项实验中15个试验的分段预处理脑电数据（eeg_1〜eeg_15，通道62×数据（电影时长和频率有关））。数组名称标签包label.mat含相应的情感标签的标签（-1表示否定，0表示中立，+ 1表示积极）。通道的详细顺序包含在数据集中。根据国际10-20系统的62个通道的EEG上限如下所示：

通道顺序：从上至下，从左至右。
FP1 FPZ FP2 AF3 AF4 F7 F5 F3 F1 FZ F2 F4 F6 F8 FT7 FC5 FC3 FC1 FCZ FC2 FC4 FC6 FT8 T7 C5 C3 C1 CZ C2 C4 C6 T8 TP7 CP5 CP3 CP1 CPZ CP2 CP4 CP6 TP8 P7 P5 P3 P1 PZ P2 P4 P6 P8 PO7 PO5 PO3 POZ PO4 PO6 PO8 CB1 O1 OZ O2 CB2

3.2 “ Extracted_Features”文件夹

有一些文件包含EEG信号的提取的差分熵（DE）特征，这在[1]中首次提出。这些数据非常适合那些想要快速测试分类方法而无需处理原始EEG数据的人。文件格式与Data_prepocessed相同。我们还计算了差分不对称（DASM）和有理不对称（RASM）特征，作为27对半球形不对称电极的DE特征之间的差异和比率。使用传统的移动平均和线性动态系统（LDS）方法，所有功能都更加平滑。有关特征提取和特征平滑的更多详细信息，请参阅[1]和[2]。

参考文章：
[1] Ruo-Nan Duan, Jia-Yi Zhu and Bao-Liang Lu, Differential Entropy Feature for EEG-based Emotion Classification, Proc. of the 6th International IEEE EMBS Conference on Neural Engineering (NER). 2013: 81-84.
[2] Wei-Long Zheng, and Bao-Liang Lu, Investigating Critical Frequency Bands and Channels for EEG-based Emotion Recognition with Deep Neural Networks, accepted by IEEE Transactions on Autonomous Mental Development (IEEE TAMD) 7(3): 162-175, 2015.