ECG-Emotion Recognition（情绪识别）-- 数据集介绍WESADDREAMER

2024-04-26 01:52
文章标签 数据 介绍 识别 recognition 情绪 ecg emotion wesaddreamer

本文主要是介绍ECG-Emotion Recognition（情绪识别）-- 数据集介绍WESADDREAMER，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

1、WESAD数据集

下载链接：WESAD: Multimodal Dataset for Wearable Stress and Affect Detection | Ubiquitous Computing

（1）基本介绍

WESAD是一个用于可穿戴压力和影响检测的新的公开数据集。该多模式数据集以实验室研究期间15名受试者的生理和运动数据为特征，这些数据来自手腕和胸部佩戴的设备。包括以下传感器模式：血容量脉冲、心电图、皮肤电活动、肌电图、呼吸、体温和三轴加速度。此外，该数据集通过包含三种不同的情感状态（中性、压力和娱乐），弥合了之前关于压力和情绪的实验室研究之间的差距。

数据格式：

- “subject”:SX，受试者ID

-“signal”:包括两个领域的所有原始数据:

-- “chest”：RespiBAN数据(所有模式:ACC、ECG、EDA、EMG、RESP、TEMP);

-- “wrist”：Empatica E4数据(所有模式:ACC、BVP、EDA、TEMP)

-“label”:各自研究方案条件的ID，采样频率为700 Hz。提供以下id: 0=未定义/短暂，1=基线（baseline），2=压力（stress），3=娱乐（amusement），4 =冥想（mediation），5/6/7 =在此数据集中应忽略

  1. ACC：加速度计（Accelerometer），用于测量物体的加速度，常用于活动监测和姿势识别等应用。

  2. ECG：心电图（Electrocardiogram），用于记录心脏电活动的图形表示，常用于诊断心脏疾病和监测心脏健康。

  3. EDA：皮肤电活动（Electrodermal Activity），又称为皮电反应（Electrodermal Response），用于测量皮肤的电导率变化，反映交感神经系统的活动水平，常用于情感识别和压力监测等。

  4. EMG：肌电图（Electromyogram），用于记录肌肉电活动的图形表示，常用于研究肌肉功能和运动控制等。

  5. RESP：呼吸信号（Respiration），用于记录呼吸活动的信号，通常通过胸部或腹部运动来测量呼吸频率和呼吸深度等。

  6. TEMP：体温（Temperature），用于记录身体表面或环境温度的信号，常用于监测体温变化和环境温度。

  7. BVP：血容量脉动（Blood Volume Pulse），用于记录血液容量变化引起的皮肤血流量变化的信号，通常用于心率和心血管活动的监测。

 （2）数据读取

- 引入相关包

import os
import pickle
import numpy as np
import matplotlib.pyplot as plt
# import neurokit as nk
import seaborn as sns
import pandas as pd

- 数据读取类

class read_data_of_one_subject:"""Read data from WESAD dataset"""def __init__(self, path, subject):self.keys = ['label', 'subject', 'signal']self.signal_keys = ['wrist', 'chest']self.chest_sensor_keys = ['ACC', 'ECG', 'EDA', 'EMG', 'Resp', 'Temp']self.wrist_sensor_keys = ['ACC', 'BVP', 'EDA', 'TEMP']os.chdir(path)os.chdir(subject)with open(subject + '.pkl', 'rb') as file:data = pickle.load(file, encoding='latin1')self.data = datadef get_labels(self):return self.data[self.keys[0]]def get_wrist_data(self):""""""#label = self.data[self.keys[0]]assert subject == self.data[self.keys[1]]signal = self.data[self.keys[2]]wrist_data = signal[self.signal_keys[0]]#wrist_ACC = wrist_data[self.wrist_sensor_keys[0]]#wrist_ECG = wrist_data[self.wrist_sensor_keys[1]]return wrist_datadef get_chest_data(self):""""""signal = self.data[self.keys[2]]chest_data = signal[self.signal_keys[1]]return chest_data

- 添加路径并进行读取

data_set_path = "your_path/data/WESAD/"
subject = 'S3'
obj_data = {}
obj_data[subject] = read_data_of_one_subject(data_set_path, subject)
chest_data_dict = obj_data[subject].get_chest_data()
chest_dict_length = {key: len(value) for key, value in chest_data_dict.items()}
print(chest_dict_length)

这里用胸部数据进行测试，得到的数据长度为：

接下来进行一个ECG数据的可视化

plt.plot(chest_data_dict['ECG'][0:5000])
plt.show()

- 读取标签，并提取出baseline的片段

# Get labels
labels = obj_data[subject].get_labels()
baseline = np.asarray([idx for idx,val in enumerate(labels) if val == 1])
print(baseline)print("Baseline:", chest_data_dict['ECG'][baseline].shape)

 同理要读取压力片段只需要替换val==2即可

 2、DREAMER数据集

下载地址：ASCERTAIN dataset

 注意这个数据集需要申请才能下载

（1）基本介绍

包含ECG数据和EEG数据，其中ECG数据为2导联，EEG数据为14导联。

记录了23名参与者的信号，以及参与者在每次刺激后对其情感状态的自我评估，包括效价（valence）、唤醒（arousal）和支配（dominance）。

在一个实验中，23名志愿者观看了由Gabert-Quillen等人[1]挑选和评估的18个电影片段，在这个实验中，dream数据库包含了参与者的评分和生理记录。脑电图和心电信号被记录下来，每个参与者用五分制报告他们的感觉唤醒、效价和支配性来评估他们的情绪。

数据格式：

储存在DREAMER.mat文件中

DREAMER = 
struct with fields:
 Data: {1×23 cell}
 EEG_SamplingRate: 128
 ECG_SamplingRate: 256
 EEG_Electrodes: {'AF3' 'F7' 'F3' 'FC5' 'T7' 'P7' 'O1' 'O2' 'P8' 'T8' 'FC6' 'F4' 'F8' 'AF4'}
 noOfSubjects: 23
 noOfVideoSequences: 18
 Disclaimer: 'While every care has been taken…'
 Provider: 'University of the West of Scotland'
 Version: '1.0.2'
 Acknowledgement: 'The authors would like to thank…'

具体数据结构：

Age: 'X'  --年龄
Gender: 'X' ('male' or 'female') --性别
EEG: [1×1 struct] --脑电图数据
ECG: [1×1 struct] --心电图数据
ScoreValence: [18×1 double] -- 效价评分
ScoreArousal: [18×1 double] -- 唤醒评分
ScoreDominance: [18×1 double] -- 支配评分

（2）数据读取

- ECG的stimuli数据

i =1
data_stimuli_ecg = data['DREAMER']['Data'][0][0][0][i-1][0]["ECG"][0][0]["stimuli"][0]
data_stimuli_ecg

其中i代表受试者，总共23个。得到的数据格式如下：

是18*1的数据，包含18个电影片段的刺激。ECG可视化效果

- EEG的stimuli数据

i =1
data_stimuli_ecg = data['DREAMER']['Data'][0][0][0][i-1][0]["ECG"][0][0]["stimuli"][0]
data_stimuli_ecg

得到的18个片段的刺激EEG可视化效果：

- 整体数据读取并保存

import numpy as np
import scipy.io as siodata_loader = sio.loadmat('your_path/data/DREAMER.mat')data_stimuli_ecg = []
for i in range(1, 24):saldir1 = './save/stimuli/'data_stimuli = data_loader['DREAMER']['Data'][0][0][0][i - 1][0]["ECG"][0][0]["stimuli"][0]for j in range(1, 19):data = data_stimuli[j - 1][0]data_stimuli_ecg.append(data)
np.array(data_stimuli_ecg)
np.save(saldir1 + 'data_stimuli_ecg.npy', data_stimuli_ecg)data_baseline_ecg = []
for i in range(1, 24):saldir2 = './save/baseline/'data_baseline = data_loader['DREAMER']['Data'][0][0][0][i - 1][0]["ECG"][0][0]["baseline"][0]for j in range(1, 19):data = data_baseline[j - 1][0]data_baseline_ecg.append(data)
np.array(data_baseline_ecg)
np.save(saldir2 + 'data_baseline_ecg.npy', data_baseline_ecg)label = []
for i in range(1, 24):saldir3 = './save/label/'data_label = data_loader['DREAMER']['Data'][0][0][0][i - 1][0]["ScoreArousal"][0]label.append(data_label)
np.save(saldir3 + 'label.npy', label)

都看到了这里了，给个小心心❤呗~ 

这篇关于ECG-Emotion Recognition（情绪识别）-- 数据集介绍WESADDREAMER的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/936394。

相关文章

大模型研发全揭秘：客服工单数据标注的完整攻略

大模型研发全揭秘：客服工单数据标注的完整攻略

在人工智能（AI）领域，数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者，掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中，工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注，不仅能够帮助提升客服自动化系统的智能化水平，还能优化客户服务流程，提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行
阅读更多...
基于MySQL Binlog的Elasticsearch数据同步实践

基于MySQL Binlog的Elasticsearch数据同步实践

一、为什么要做 随着马蜂窝的逐渐发展，我们的业务数据越来越多，单纯使用 MySQL 已经不能满足我们的数据查询需求，例如对于商品、订单等数据的多维度检索。 使用 Elasticsearch 存储业务数据可以很好的解决我们业务中的搜索需求。而数据进行异构存储后，随之而来的就是数据同步的问题。 二、现有方法及问题 对于数据同步，我们目前的解决方案是建立数据中间表。把需要检索的业务数据，统一放到一张M
阅读更多...
关于数据埋点，你需要了解这些基本知识

关于数据埋点，你需要了解这些基本知识

产品汪每天都在和数据打交道，你知道数据来自哪里吗？ 移动app端内的用户行为数据大多来自埋点，了解一些埋点知识，能和数据分析师、技术侃大山，参与到前期的数据采集，更重要是让最终的埋点数据能为我所用，否则可怜巴巴等上几个月是常有的事。   埋点类型 根据埋点方式，可以区分为： 手动埋点半自动埋点全自动埋点 秉承“任何事物都有两面性”的道理：自动程度高的，能解决通用统计，便于统一化管理，但个性化定
阅读更多...
性能测试介绍

性能测试介绍

性能测试是一种测试方法，旨在评估系统、应用程序或组件在现实场景中的性能表现和可靠性。它通常用于衡量系统在不同负载条件下的响应时间、吞吐量、资源利用率、稳定性和可扩展性等关键指标。 为什么要进行性能测试 通过性能测试，可以确定系统是否能够满足预期的性能要求，找出性能瓶颈和潜在的问题，并进行优化和调整。 发现性能瓶颈：性能测试可以帮助发现系统的性能瓶颈，即系统在高负载或高并发情况下可能出现的问题
阅读更多...
水位雨量在线监测系统概述及应用介绍

水位雨量在线监测系统概述及应用介绍

在当今社会，随着科技的飞速发展，各种智能监测系统已成为保障公共安全、促进资源管理和环境保护的重要工具。其中，水位雨量在线监测系统作为自然灾害预警、水资源管理及水利工程运行的关键技术，其重要性不言而喻。 一、水位雨量在线监测系统的基本原理 水位雨量在线监测系统主要由数据采集单元、数据传输网络、数据处理中心及用户终端四大部分构成，形成了一个完整的闭环系统。 数据采集单元：这是系统的“眼睛”，
阅读更多...
使用SecondaryNameNode恢复NameNode的数据

使用SecondaryNameNode恢复NameNode的数据

1）需求： NameNode进程挂了并且存储的数据也丢失了，如何恢复NameNode 此种方式恢复的数据可能存在小部分数据的丢失。 2）故障模拟 （1）kill -9 NameNode进程 [lytfly@hadoop102 current]$ kill -9 19886 （2）删除NameNode存储的数据（/opt/module/hadoop-3.1.4/data/tmp/dfs/na
阅读更多...
异构存储（冷热数据分离）

异构存储（冷热数据分离）

异构存储主要解决不同的数据，存储在不同类型的硬盘中，达到最佳性能的问题。 异构存储Shell操作 （1）查看当前有哪些存储策略可以用 [lytfly@hadoop102 hadoop-3.1.4]$ hdfs storagepolicies -listPolicies （2）为指定路径（数据存储目录）设置指定的存储策略 hdfs storagepolicies -setStoragePo
阅读更多...
Hadoop集群数据均衡之磁盘间数据均衡

Hadoop集群数据均衡之磁盘间数据均衡

生产环境，由于硬盘空间不足，往往需要增加一块硬盘。刚加载的硬盘没有数据时，可以执行磁盘数据均衡命令。（Hadoop3.x新特性） plan后面带的节点的名字必须是已经存在的，并且是需要均衡的节点。 如果节点不存在，会报如下错误： 如果节点只有一个硬盘的话，不会创建均衡计划： （1）生成均衡计划 hdfs diskbalancer -plan hadoop102 （2）执行均衡计划 hd
阅读更多...
Hadoop数据压缩使用介绍

Hadoop数据压缩使用介绍

一、压缩原则 （1）运算密集型的Job，少用压缩 （2）IO密集型的Job，多用压缩 二、压缩算法比较 三、压缩位置选择 四、压缩参数配置 1）为了支持多种压缩/解压缩算法，Hadoop引入了编码/解码器 2）要在Hadoop中启用压缩，可以配置如下参数
阅读更多...
阿里开源语音识别SenseVoiceWindows环境部署

阿里开源语音识别SenseVoiceWindows环境部署

SenseVoice介绍 SenseVoice 专注于高精度多语言语音识别、情感辨识和音频事件检测多语言识别： 采用超过 40 万小时数据训练，支持超过 50 种语言，识别效果上优于 Whisper 模型。富文本识别：具备优秀的情感识别，能够在测试数据上达到和超过目前最佳情感识别模型的效果。支持声音事件检测能力，支持音乐、掌声、笑声、哭声、咳嗽、喷嚏等多种常见人机交互事件进行检测。高效推
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2