数据集论文：Radware Bot Manager Captcha

数据集官网：SEED Dataset

数据集下载：https://gitee.com/CodeStoreHub/Emotion-Recognition-Dataset

数据集介绍 

SEED-VIG 是一个用于研究驾驶疲劳和警觉性的多模态数据集，主要包含脑电图（EEG）、眼电图（EOG）和眼动追踪数据。该数据集通过模拟驾驶实验收集，旨在研究驾驶员在单调驾驶环境下的疲劳状态和警觉性变化。

实验设置

1. 模拟驾驶系统：

   • 实验使用了一个模拟驾驶系统，参与者在一个真实的车辆内部操作，车辆的前方放置了一个大型LCD屏幕，显示四车道的高速公路场景。

   • 车辆的移动通过方向盘和油门踏板控制，场景根据参与者的操作实时更新。

   • 道路设计以直线和单调为主，目的是更容易诱发参与者的疲劳感。

2. 实验时间：

   • 实验通常在午餐后的下午进行，因为此时人体的昼夜节律达到困倦的高峰，更容易诱发疲劳。

   • 每次实验持续约2小时。

3. 数据采集设备：

   • 使用 Neuroscan系统 记录EEG和EOG信号。

   • 参与者佩戴 SMI眼动追踪眼镜，用于记录眼动数据。

   • 通过眼动数据计算 PERCLOS指标（Percentage of Eyelid Closure Over the Pupil Time，眼睑闭合时间百分比），作为警觉性标签。

特征提取

1. EEG特征：

   • EEG_Feature_2Hz：

     • 从全频段（1~50 Hz）提取功率谱密度（PSD）和差分熵（DE）特征，频率分辨率为2 Hz。

     • 数据格式为 通道数*样本数*频段数（1788525）。

     • 前1-5通道对应颞叶脑区，后7-17通道对应枕叶脑区。

     • 包含以下字段：

       • psd_movingAve：使用移动平均法计算的PSD。

       • psd_LDS：使用线性动态系统计算的PSD。

       • de_movingAve：使用移动平均法计算的DE。

       • de_LDS：使用线性动态系统计算的DE。

   • EEG_Feature_5Bands：

     • 从五个频段提取PSD和DE特征：delta（1~4 Hz）、theta（4~8 Hz）、alpha（8~14 Hz）、beta（14~31 Hz）和gamma（31~50 Hz）。

     • 数据格式为 通道数*样本数*频段数（178855）。

2. 前额EEG特征：

   • 与EEG特征类似，但仅包含4个通道，数据格式为 4*885*25 和 4*885*5。

3. EOG特征：

   • 使用ICA（独立成分分析）和减法方法分离垂直眼电（VEO）和水平眼电（HEO）信号。

   • 包含以下字段：

     • features_table_ica：基于ICA方法提取的EOG特征。

     • features_table_minus：基于减法方法提取的EOG特征。

     • features_table_icav_minh：结合ICA和减法方法提取的EOG特征。

   • 数据格式为 样本数*特征维度（885*36）。

4. PERCLOS标签：

   • 通过眼动追踪数据计算连续的警觉性标签，范围为0到1。

   • PERCLOS值越高，表示参与者的疲劳程度越高。

数据集总结

SEED-VIG数据集由四部分组成：

1. EEG特征：

   • EEG_Feature_2Hz：全频段EEG特征。

   • EEG_Feature_5Bands：五频段EEG特征。

2. 前额EEG特征：仅包含前额区域的EEG特征。

3. EOG特征：基于ICA和减法方法提取的眼电特征。

4. PERCLOS标签：基于眼动数据的连续警觉性标签。

应用场景

SEED-VIG数据集可用于以下研究：

• 驾驶疲劳检测。

• 警觉性状态分类。

• 多模态信号（EEG、EOG、眼动）融合分析。

• 脑机接口（BCI）相关研究。

数据格式说明

• EEG数据：以多维数组形式存储，维度为 通道数*样本数*频段数。

• EOG数据：以表格形式存储，维度为 样本数*特征维度。

• PERCLOS标签：以一维数组形式存储，表示每个样本的警觉性评分。

数据预览

官方完整数据，共2.9GB

  数据集下载：https://gitee.com/CodeStoreHub/Emotion-Recognition-Dataset