信息速览
一台手表、一条腕带、一副头环，三样东西加起来不到一部手机的价钱。如果它们能可靠地判断「这个人此刻是不是在用脑」，远程办公、在线学习、驾驶监控都会有一批新应用。
问题是：能吗？消费级设备和研究级设备的差距有多大？三台设备里哪一台最有用？
这份数据就是想回答这三个问题的第一步。它让二十五名志愿者同时戴上三台设备，做三件事：一个需要抑制冲动的 Stroop 色词任务、一段什么都不做的静坐、以及填写四份问卷。第一个条件是「用脑」，第二个是「不用脑」，第三个介于两者之间；而我把五百四十三个 CSV 全下载下来逐文件读了一遍（2.6 GB），核对出几处条目页与 README 都没有交代的问题，其中一处直接让一名受试者少了一个条件。这些都写在下文。
§1 它是什么：一次为「消费级能不能用」做的对照实验
1.1 一句话定义与四条边界
这是一份多设备同步的认知负荷数据集：二十五名健康志愿者，在受控的实验室条件下，同时佩戴三台消费级穿戴设备，完成认知负荷任务、静息与填问卷三种条件，全程记录生理信号。
四条边界：
- 不是临床数据。 全部健康志愿者，没有认知障碍、没有精神疾病患者。它测的是「正常人在费力思考时的生理变化」，不是「病人」。
- 不是自由生活数据。 全部在实验室、在研究员在场、在固定任务序列下采集。没有通勤、没有加班、没有真实工作压力。
- 不是同一种设备的三份重复。 三台设备测的生理量根本不同：Empatica 测脉搏、皮电、皮温；三星只测脉搏；Muse 测脑电。它们的可比性只在「脉搏」这一项上。
- 本版本没有人口学信息。 条目页正文提到「志愿者」，但没有给出年龄、性别、职业分布的表。这一点在核对的五百四十三个文件里也没有找到对应的元数据文件。
1.2 两个子研究，不是一个大研究
这一点在条目页的 Abstract 里说了，但很容易读漏：
| 子研究 | 人数 | 条件 | 会话 |
|---|---|---|---|
| 试点（pilot） | 11 | 静息、Stroop | 1 次 |
| 问卷游戏化（survey_gamification） | 13（条目页）或 14（README） | 静息、Stroop、填问卷 | 2 次，间隔两周 |
两个子研究的目的不同。 试点是为了验证实验装置与信号质量，回答「这三台设备到底能不能用」；正式实验是为了研究「问卷加不加游戏化元素，会不会影响填答时的认知负担」。
所以这两部分不能简单合并成一个「二十五人的数据集」。它们的任务流程、会话次数、甚至受试者编号规则都不同（试点用 0 至 10，正式用 11 起）。
1.3 三台设备分别测什么
| 设备 | 类型 | 测量的生理量 | 采样率 |
|---|---|---|---|
| Empatica E4 腕带 | CE 二类医疗器械 | 血容量脉搏、皮电活动、体表温度、三轴加速度 | 64 / 4 / 4 赫兹 |
| 三星 Galaxy Watch4 | 消费级智能手表 | 绿色光电容积脉搏波 | 25 赫兹 |
| Muse S（二代） | 消费级脑电头环 | 四电极脑电（AF7、AF8、TP9、TP10） | 约 256 赫兹 |
三者的定位完全不同。Empatica 是研究界公认的「准研究级」设备，贵、准、有医疗器械认证；三星手表是大众产品，便宜、量足、但采样率只有 25 赫兹；Muse 是冥想辅助设备，四电极、干电极、前额加耳后。
这个组合的用意很清楚：用 Empatica 当参照，看便宜的设备能不能替代它。
1.4 三种条件的含义
静息（baseline）。 受试者坐着，什么也不做，三分钟。
认知负荷（cognitive_load）。 做 Stroop 色词任务：屏幕上出现一个颜色词（比如「蓝」），但字体颜色与词义不同（比如用黄色写「蓝」），受试者要按的是字体的颜色，不是词义。这需要抑制自动化的阅读冲动，是认知心理学里最经典的「执行控制」任务。
填问卷（survey）。 只在正式实验里有。填 GRIT（毅力）、PANAS（正负情绪）、HAPPINESS（幸福感）、NFR（需要人工核对原文的第四份）四份量表，分「游戏化」与「不游戏化」两个版本。
1.5 游戏化的这个设计是怎么做的
正式实验的核心是一个交叉设计：每个受试者参加两次会话，间隔两周。第一次填游戏化问卷、第二次填普通问卷，或者反过来。
游戏化的元素很简单：进度追踪（一个头像在街上走）与完成奖励（一份礼物）。
这个设计要回答的问题是：加一点游戏元素，能不能降低填问卷的认知负担？ 如果降低，那么长期随访研究里可以用它来提高依从性。
为了让这个因果推断成立，两个版本必须平衡。 所以设计成交叉：一半人先游戏化，一半人先普通。我在核对时验证了这个平衡（见 §2.6）。
1.6 它不适合回答什么
- 不能做认知负荷的通用检测模型。 只有 Stroop 一种任务、二十五人、实验室环境。
- 不能推人群的认知负荷水平。 没有人口学、没有基线能力评估。
- 不能做临床诊断。 健康志愿者，无任何疾病标签。
- 不能做长期趋势分析。 每人最多两次会话，间隔两周。
- 不能做设备精度验证（严格意义上）。 三台设备测的量不同，只有脉搏这一项可以互相比。
1.7 版本与许可
版本 1.0.0，发布于 2023 年 3 月 31 日。许可为 Open Database License v1.0（ODbL）。PhysioNet 标为 Open Access，同意即可下载。
DOI 为 10.13026/5f6t-b637，最新版 DOI 为 10.13026/21mx-7p04。总未压缩体积 2.7 GB，ZIP 包 179.2 MB。
注意许可：ODbL 要求衍生数据库同许可，与 ODC-By 不同（详见 §3.1）。
§2 数据构成：五百四十三个 CSV 的真实结构
2.1 目录结构：比 README 说的复杂一层
README 的描述是：
pilot 目录下是十一位志愿者（编号 0 至 10）；survey_gamification 目录下是十四位志愿者（编号 11 至 24）。每个受试者文件夹下有 baseline 与 cognitive_load 两个子文件夹。
而实际目录（我从 S3 的完整对象清单推定）是这样的：
pilot/<id>/baseline/<五种生理文件>
pilot/<id>/cognitive_load/<五种生理文件> + stroop_responses.csv
survey_gamification/<id>/pre/baseline/<五种生理文件>
survey_gamification/<id>/pre/cognitive_load/<五种生理文件> + stroop_responses.csv
survey_gamification/<id>/pre/survey/<五种生理文件> + questionnaires.csv + responses.csv
survey_gamification/<id>/post/<同样的三项>
两处与 README 不符：
- 正式实验里多了一个
pre/post层级。 README 说「pre 与 post 目录包含 baseline 与 cognitive_load 文件夹，还有 survey 目录」，这句话本身没错，但它的措辞让人以为是直接在受试者目录下，而实际的层级是受试者/pre/baseline/，比试点研究深一层。 - README 说十四人、编号 11 至 24，实际缺 19。 目录里是 11、12、13、14、15、16、17、18、20、21、22、23、24——十三个。而条目页的 Abstract 写的是「十三个志愿者」，与目录一致，与 README 不一致。
也就是说：条目页的数字（13）是对的，README 里的数字（14）是错的。 这是本篇第一处核对结果。
2.2 三个人的目录不完整
这是本篇最要紧的部分。
受试者 3（试点组）：只有七个文件。
其他人的试点子目录有十一个文件（两个条件各五个生理文件加一个 Stroop）。受试者 3 只有：
- baseline：
empatica_bvp、empatica_eda、empatica_temp - cognitive_load：
empatica_bvp、empatica_emda、empatica_temp、stroop_responses
三处异常：
- 完全没有三星与 Muse 数据（两个条件都没有
samsung_bvp与muse_eeg）。 - 认知负荷的皮电文件名是
empatica_emda.csv，不是empatica_eda.csv。整个数据集只有这一个文件用了emda拼写，全部五百四十三个文件里仅此一例。 - Stroop 只有六十题，其他人都是 120 题。
第 2 点是必须写进代码里的坑：如果你的脚本按 empatica_eda.csv 去读所有文件，受试者 3 的认知负荷条件会直接读不到，而且不会报错——因为你写的是「找不到就跳过」。
受试者 20 与 21（正式组）：只有 pre，没有 post。
其他人的正式组子目录有六个（pre 三个条件、post 三个条件），这两人只有三个。也就是说他们只完成了第一次会话，第二次没有参加或没有记录。条目页没有说明原因。
2.3 受试者 20 的两个条件是同一份数据
这是最严重的一处，也是只有算哈希才能发现的。
受试者 20 的 pre 会话里有 baseline、cognitive_load、survey 三个条件。我把每个文件的 MD5 算了一遍，发现：
| 文件 | baseline 与 cognitive_load 的 MD5 |
|---|---|
empatica_bvp.csv |
相同 |
empatica_eda.csv |
相同 |
empatica_temp.csv |
相同 |
samsung_bvp.csv |
相同 |
四个文件逐字节相同。 全数据集共有四组重复内容，全部来自这一个人。
含义很直接：受试者 20 的静息与认知负荷两个条件，实际上是同一段记录被复制到了两个目录。 这个人在单条件对比（静息 vs 负荷）上提供的有效信息为零——不，比零更糟，因为他会让「两个条件有差异」的统计检验被一个零差异的样本稀释。
处理办法只有一条：在静息与认知负荷的对比分析里排除受试者 20。 但要注意，他的 survey 条件是独立的（MD5 不同），填问卷那部分数据仍然可用。
2.4 时间戳的跨度让记录难以追溯
每个生理文件的最后一列是时间戳，值是 Unix 秒（形如 1767084709.25）。我把它转成日期，得到每段记录的起始时刻：
- 受试者 18：2018 年 8 月
- 受试者 22：2019 年 2 月
- 受试者 23：2019 年 9 月
- 受试者 13：2020 年 5 月
- 受试者 16：2020 年 8 月
- 受试者 6：2021 年 1 月
- 受试者 24：2021 年 6 月
- 受试者 15：2021 年 11 月
- 受试者 7：2022 年 4 月
- 受试者 5：2022 年 8 月
- 受试者 11：2022 年 11 月
- 受试者 17：2023 年 2 月
- 受试者 14：2024 年 2 月
- 受试者 10：2024 年 7 月
- 受试者 1：2025 年 10 月
- 受试者 0：2025 年 12 月
- 受试者 2：2026 年 1 月
- 受试者 12：2026 年 5 月
跨度八年。 这是一个很不寻常的现象：一个 2023 年发布的数据集，里边的记录从 2018 年一直延伸到 2026 年。
这有三种可能解释：一是设备时钟未校准（消费级设备常见问题）；二是数据在多次重新处理中时间戳被改写；三是发布时的版本管理把不同批次的处理结果混在了一起。
我无法从数据里确定是哪一种。 但这件事有实际后果：任何依赖绝对时间的分析（比如「两次会话间隔真的是两周吗」）都不可靠。我只能从相对时间戳判断同一次会话内部的对齐情况。
2.5 各设备的采样率与时长
我把每个生理文件的时间轴都算了一遍，采样间隔的众数如下：
| 文件类型 | 文件数 | 行数范围 | 采样间隔众数 | 推算采样率 |
|---|---|---|---|---|
empatica_bvp.csv |
94 | 2,076 至 27,706 | 0.0156 秒 | 64 赫兹 |
empatica_eda.csv |
93 | 130 至 1,731 | 0.25 秒 | 4 赫兹 |
empatica_temp.csv |
94 | 130 至 1,733 | 0.25 秒 | 4 赫兹 |
muse_eeg.csv |
85 | 134 至 105,855 | 约 0.004 秒 | 约 256 赫兹 |
samsung_bvp.csv |
92 | 274 至 10,800 | 0.04 秒 | 25 赫兹 |
stroop_responses.csv |
24 | 60 或 120 | — | 事件表 |
questionnaires.csv |
24 | 3 或 4 | — | 汇总表 |
responses.csv |
24 | 逐题 | — | 事件表 |
Empatica 三路与三星的采样率与条目页完全吻合（64 / 4 / 4 / 25 赫兹），可以确认为真实值。
Muse 的采样率需要说明一下。 从时间戳算出来约 250 至 257 赫兹，众数不唯一。原因是 CSV 里的时间戳只保留两位小数（形如 1767084708.81），在 256 赫兹下每 4 个采样点的间隔都应是 0.0039 秒，两位小数的精度不够区分，所以相邻差值的众数会出现 0.00 与 0.01 交替。这是舍入造成的假象，不是采样率不稳。
一个有意思的观察：Muse 的文件行数跨度极大，最少 134 行，最多 105,855 行。按 256 赫兹算，105,855 行约 6.9 分钟，134 行只有半秒。而其他人同一条件的文件是几万行——134 行的那几份几乎等于没有记录。
2.6 各条件的实际时长
以皮电（4 赫兹，最稳的一路）为准，我算了每段记录的跨度：
试点组：静息 1.5 至 3.4 分钟，认知负荷 3.8 至 5.1 分钟。
条目页说静息是「三分钟」，实际十一人里有九人低于 3.1 分钟，最短 1.54 分钟。这个偏差不算致命（分析时可以裁剪到共同窗口），但说明不能假设每段都是三分钟。
正式组的静息基本都在 3.0 至 3.4 分钟，与协议吻合得多。而认知负荷从 0.54 分钟到 7.16 分钟不等——最短的那段只有 32 秒（受试者 11 的 post 会话），这个长度对于计算心率变异性之类的指标明显不够。
填问卷的时长 2.7 至 7.2 分钟。 这个跨度符合直觉：问卷有四份，加上游戏化版本的多余交互，时间会长一些。
2.6b 一条记录到底有多少可用采样点
时长和行数是两件事。时长说的是「跨度」，行数说的是「真的有多少个点落在这段跨度里」。后者才是分析时能用上的东西。
把六个生理文件类型逐一看过之后，有三类「行数不等于采样率乘时长」的情况，性质完全不同，值得分开处理：
第一类是正常的协议差异。 同一类型的文件在不同受试者之间差两三倍，因为条件本身时长不同。empatica_bvp.csv 最短 2,076 行、最长 27,706 行，按 64 赫兹折算分别是 32 秒和 7.2 分钟——正好落在 §2.6 那个认知负荷窗口的两端。
第二类是设备掉线的残片。 muse_eeg.csv 最短的 134 行，按 256 赫兹算只有 0.52 秒。这不是「脑电记录得很短」，这是「头环戴上后几乎立刻就掉了或者根本没连上」。如果把这类文件按行数从少到多排一遍，会看到明显的断层：一百多行的几份单独站在一起，往上一档直接跳到几千行，中间没有过渡。中间没有过渡，说明它不是连续退化，而是二元状态——要么正常工作，要么基本没有记录。
第三类是文件在但通道废了。 这一类最难发现，因为行数看起来完全正常。判断只能靠 Muse 自己输出的那几列质量指标（§2.11）。行数告诉你「有数据」，质量列才告诉你「数据能不能用」。
这对实际管线的含义很直接：按文件存在性清点数据集，会高估可用样本量。 三步过滤缺一不可：
- 文件存在
- 行数超过一个下限（按模态定，脑电定在几千行比较稳）
- 质量列里有效比例超过阈值
只做第一步，把「受试者 3 缺两台设备」这类明显缺失抓住了，但抓不住「有文件、时长正常、通道全废」这种。而这第二种在穿戴数据里恰恰更常见——设备不会主动告诉你它坏了，它只会继续往文件里写数。
2.7 交叉设计的平衡，核对下来是成立的
正式组的设计要求：一半人先游戏化后普通，一半人反之。我按每人两次会话的 Gamified 字段核对：
| 次序 | 受试者 |
|---|---|
| 先游戏化、后普通 | 12、14、15、24、20（仅一次）、21（仅一次） |
| 先普通、后游戏化 | 11、13、16、17、18、22、23 |
七人先普通，四人有完整的两轮且先游戏化。这个划分是平衡的（约一半对一半），交叉设计的逻辑成立。
受试者 20 与 21 只有第一次会话且都是普通版本，因此他们在设计里只贡献了「普通」这一半，对交互作用的估计没有贡献。
2.8 问卷数据：四份量表的实际填写时间
questionnaires.csv 每行一份量表，字段是题数、是否游戏化、填写耗时（pandas 的 Timedelta 格式，形如 0 days 00:01:19）。我把全部二十四份汇总表解析了一遍：
| 量表 | 题数 | 出现次数 | 填写耗时中位数 | 耗时范围 |
|---|---|---|---|---|
| GRIT（毅力） | 10 | 24 | 56 秒 | 29 至 107 秒 |
| PANAS（正负情绪） | 20 | 24 | 60 秒 | 44 至 206 秒 |
| HAPPINESS（幸福感） | 4 | 24 | 28 秒 | 11 至 72 秒 |
| NFR（待核） | 3 | 22 | 16 秒 | 10 至 36 秒 |
三个发现：
第一，NFR 只有二十二份。有两个人（受试者 11 的两轮）只填了三份量表，缺 NFR。这意味着 NFR 的样本量比其他三份少两个会话。
第二，耗时与题数不成正比。 PANAS 二十题用 60 秒，GRIT 十题用 56 秒——题数翻倍，时间几乎不变。合理解释是 PANAS 的题目更短、选项更直观，而 GRIT 需要思考。这提示**「填写耗时」这个指标本身不是「认知负担」的可靠代理**，它混合了题量、题型与个体习惯。
第三，个体差异极大。 PANAS 最短 44 秒，最长 206 秒，差 4.7 倍。这个跨度下，任何「游戏化缩短了 X 秒」的结论都需要按人做配对比较，不能做组间均值对比。
2.9 Stroop 任务的实际表现
stroop_responses.csv 每题一行，含词、颜色、是否一致、作答键、对错状态（1 正确、2 错误、3 超时）、反应时（毫秒）。
三十四次 Stroop（二十四份非空记录，其中试点十次、正式二十四次）合计 4,140 题，全体分布：
| 状态 | 题数 | 占比 |
|---|---|---|
| 正确 | 3,876 | 93.6% |
| 错误 | 178 | 4.3% |
| 超时 | 86 | 2.1% |
反应时中位数 844 毫秒，范围 58 至 2,000 毫秒（2,000 是超时上限）。
正确率跨度极大：70.8% 至 100%。 最低的是受试者 12 的第一次会话（85 题对、27 题错、8 题超时，平均反应时 1,111 毫秒）。最高的是受试者 7、11（post）、12（post）、13（post）、18（post）五个会话，全部 100% 正确。
这个跨度对分析很关键：「做 Stroop」这件事对每个人的难度并不相同。 有的人几乎全对，有的人错了三成。如果把「Stroop 任务」当成一个统一的「高负荷」条件，那么对前者的负荷可能远低于后者——条件标签相同，实际认知负担不同。
这是这份数据最根本的一个局限，比样本量还要紧。
2.10 双设备脉搏的采样率差：64 对 25
Empatica 的脉搏是 64 赫兹，三星是 25 赫兹。这个差距不是数量级的差别，但足以影响逐搏间期的精度。
光电容积脉搏波的核心用途是从波形里找峰值、算逐搏间期。在 25 赫兹下，两个采样点间隔 40 毫秒。峰值的定位精度受限于采样间隔，所以逐搏间期的量化误差在几十毫秒量级——这比正常的心率变异（几十毫秒）处于同一量级。
换句话说：用三星手表的脉搏算心率变异性，量化噪声可能与被测信号一样大。 这不是数据的缺陷，是设备规格决定的，但在使用时必须清楚。
条目页没有讨论这一点。本篇把它列在局限里，而不是当成结论——因为要量化这个影响，需要同一段信号在两种采样率下的对照，而数据里没有（两台设备戴在同一只手上，但记录时段与对齐方式都不同）。
2.11 脑电文件有 38 列，用之前要先看
muse_eeg.csv 是全数据集最宽的文件：三十八列。
拆开看是五组：
- 五个频段乘四个电极（20 列）：Delta、Theta、Alpha、Beta、Gamma，各含 TP9、AF7、AF8、TP10 四个电极。这是设备内置算法算出的频段功率。
- 四个原始信号（4 列）：RAW_TP9、RAW_AF7、RAW_AF8、RAW_TP10。
- 辅助与传感（9 列）：AUX_RIGHT、AUX_LEFT、三轴加速度、三轴陀螺仪。
- 质量与状态（5 列）：HeadBandOn、四个电极的 HSI（头带信号质量）、Battery、Elements。
- 时间戳（1 列）。
两个必须注意的点：
第一，频段功率是设备算的，算法不公开。 Muse 的 SDK 内部怎么分频、用什么窗、怎么归一化，条目页没有说明。如果直接用这 20 列做特征，你其实是在用厂商的黑盒。
第二，HeadBandOn 与 HSI 一定要看。 干电极头环最大的问题是接触不良，HSI 值低说明那个电极的信号不可用。如果忽略这两列直接做分析，会把「电极没接触好」当成「脑电变化」。
2.12 我核对了什么、没核对什么
- 核对了：全部 543 个 CSV 的文件名、行数、表头、时间戳范围、采样间隔众数；二十五名受试者的目录完整性与文件集合；全部文件的 MD5 以找重复；二十四份问卷汇总表的逐行内容；三十四份 Stroop 记录的逐题统计；交叉设计的 gamified 次序。
- 没核对：没有检查生理信号本身的波形合理性（没有做伪迹检测）；没有对齐三台设备的时间戳做同步精度评估；没有验证 Muse 频段功率与原始信号的一致性；没有与原始论文的结论对照；没有核实地条目页提到的 GitHub 代码仓库是否与数据匹配。
§3 访问：2.7 GB，S3 最快
3.1 许可与门槛
Open Database License v1.0（ODbL）。PhysioNet 标 Open Access，无申请、无 DUA。
与常见的 ODC-By 不同，ODbL 有一条相同方式共享条款：若你把这份数据与其他数据合并成一个新的数据库并对外提供，新库必须也用 ODbL。内部研究不受影响，做产品需要法务确认。
3.2 引用
条目页的核心引用是 Grzeszczyk 等（2023）的论文，标题 Can gamification reduce the burden of self-reporting in mHealth applications? Feasibility study using machine learning from smartwatch data to estimate cognitive load（arXiv:2302.03616），以及数据集本身的 PhysioNet 条目（DOI 10.13026/5f6t-b637）。
条目页还给了 GitHub 仓库地址（SanoScience/CogWear），说明有配套代码。用之前值得先看代码，因为很多格式细节（比如 emda 那个拼写）在代码里会有处理。
3.3 下载
三种方式：ZIP 包（179.2 MB）、wget 递归、AWS S3 免签名同步。
关键提醒：ZIP 只有 179.2 MB，解压后是 2.7 GB。 压缩比 15 倍，说明 CSV 里的数值高度重复（大量六位小数的浮点数，压缩率很高）。
3.4 一个下载经验的对比
这次核对我走了两条路，差别很大。
先试的是逐目录 wget/curl。 从 PhysioNet 的 nginx 逐文件取，七分钟只拿到三十二个文件、4.6 MB，而且因为要逐个列目录发现文件，速度被目录请求拖住了。
换成 S3 之后快得多。 做法分两步：
第一步，用 S3 的列表接口一次拿到全部对象清单：
https://physionet-open.s3.amazonaws.com/?list-type=2&prefix=consumer-grade-wearables/1.0.0/&max-keys=1000
清单共 548 个对象，其中 543 个是 CSV。这一步两分多钟（因为要翻页）。
第二步，按清单并行下载（十二路），五百四十三个文件四分二十秒下完，共 2.74 GB。
这个方法值得记住：要遍历一个 PhysioNet 项目的全部文件时，先取 S3 对象清单，再并行下载，比逐目录爬快一个数量级。
3.5 到手的实际形态
| 项目 | 实际 |
|---|---|
| CSV 总数 | 543 |
| 总字节 | 2,744,341,183（约 2.6 GB） |
| 受试者目录 | 25 个（试点 11、正式 13） |
| 单文件最小 | 约 800 字节（问卷汇总） |
| 单文件最大 | 数十 MB（脑电） |
| 空文件 | 0 |
| 内容完全重复的文件组 | 4 组（全来自受试者 20） |
没有空文件这一点值得肯定：虽然是多设备多次采集，但没有出现「文件在但内容为零」的情况。缺失是以「文件不存在」的形式表达的（受试者 3 缺三星与脑电，20 与 21 缺 post），这比空文件好处理——至少能被检测到。
§4 局限：二十五个人、一种任务、一个实验室
4.1 样本量的真实含义
这份数据的量级要分四层：
| 层级 | 数量 |
|---|---|
| 受试者 | 25（有效 24，受试者 20 缺一个条件） |
| 会话 | 11（试点）+ 24（正式，13 人乘 2 再减去 2 人缺 post）= 35 |
| 条件段 | 试点 22 段 + 正式 66 段 = 88 段 |
| 数据行 | 各设备不同，脑电最多（十万行级）乘若干 |
从人到条件段，是 3.5 倍；从条件段到采样点，是上万倍。但独立信息量接近二十五。
具体地说：一个人的静息段产生了几千个皮电采样点，这些点高度自相关。能算作「独立观测」的，大致是「这个人这个条件下的平均值」——也就是 88 个数值，而它们的独立来源只有 25 人。
这决定了任何按受试者划分的交叉验证，每折只有五个人左右。 五个人的均值，标准误很大，指标会剧烈波动。
4.2 只有一种认知负荷任务
全部「高负荷」数据来自 Stroop 色词任务。这是一种特定的执行控制任务，主要涉及抑制控制。
但「认知负荷」是一个宽泛的概念。心算、工作记忆更新、任务切换、阅读理解——它们激活的脑区不同，引起的自主神经反应也未必相同。有研究发现，Stroop 这类需要抑制的任务会引起交感激活（皮电升高、心率加快），而工作记忆类任务有时引起相反的副交感反应。
这意味着：在这份数据上训练出「识别 Strupe 任务」的模型，可能识别不了「心算」。 这不是模型的错，是「认知负荷」这个标签的粒度问题。
4.3 实验室环境与真实场景的差距
实验在实验室做，研究员在场，任务序列固定，时长三到七分钟。真实场景是：在自己的工位上、有人打断、任务持续几小时、环境温度在变。
这层差距在本数据里尤其要紧，因为三台设备测的量（皮电、脉搏、脑电）都对环境与运动极敏感：
- 皮电受温度与湿度影响极大；
- 光电容积脉搏受手腕运动影响；
- 干电极脑电受头带位置与头发影响。
条目页对温度的处理是「假设实验期间皮肤与环境温度恒定」——这是一个假设，不是测量。在换成真实环境时，这个假设立刻失效。
4.4 「高负荷」与「低负荷」的边界是任务，不是状态
这是这份数据最根本的局限，前面提过，这里单独说清。
数据的标签是「条件」：baseline 与 cognitive_load。这是实验设计层面的标签，不是受试者状态层面的标签。
同一个标签下，个体的实际负荷差别很大。Stroop 正确率从 70.8% 到 100%，反应时从 552 到 1,230 毫秒（均值），说明有人做得又快又准（任务对他们不难），有人错得多、慢（任务对他们难）。
如果目标是「检测认知负荷」，那么用条件标签训练就等于假设所有人被同一任务引起的负荷是一样的。 这个假设在这份数据上明显不成立。
条目页也承认这一点：静息数据是「纯粹观察性的，没有施加特定刺激」，而且「没有控制受试者在看什么、读什么」。
4.5 三台设备测的不是同一个东西
三台设备放在一起，最容易被误读成「三种测量同一个东西的方法」。
实际上：
- Empatica 与三星：都测光电容积脉搏，可以比较（但采样率差 2.5 倍）。
- Muse：测脑电，与前两者完全不同的模态。
- Empatica 的皮电：测交感神经的汗腺活动，是第三条独立通路。
所以正确的说法是：这是一份三类生理信号（心血管、汗腺、中枢）的同步记录，而不是三台设备的重复测量。
真正能做设备间比较的只有脉搏一项，而那两项的采样率本身就差着量级（§2.10）。
4.6 它测不到的那一维
这份数据没有主观负荷评分。
这是一个关键的缺失。通常的认知负荷研究会在任务前后让受试者填 NASA-TLX 之类的量表，报告「你觉得这个任务有多难」。有了主观评分，才能把生理信号与「当事人感受到的负荷」对应起来。
没有主观评分，就只剩下「任务条件」这一个客观标签。于是所有分析都只能问「生理信号能不能区分两个任务」，不能问「生理信号能不能反映负荷的强弱」。
这个缺失决定了这份数据只能做分类，不能做回归。 条目页没有解释为什么不收主观评分，但这是使用时必须知道的天花板。
4.7 缺失模式是「结构性」的，不是随机的
我核对出的缺失有三类，性质完全不同：
| 缺失 | 涉及 | 性质 |
|---|---|---|
| 整台设备无记录 | 受试者 3 缺三星与脑电 | 设备故障或未佩戴 |
| 整个会话无记录 | 受试者 20、21 缺 post | 未参加第二次 |
| 某条件与另一条件相同 | 受试者 20 的静息等于负荷 | 复制错误 |
第一类会让「三设备对比」的子集变成 24 人（试点只剩 10 人）；第二类会让「交叉设计」的子集变成 11 人（有完整两轮的）；第三类必须排除。
这三类缺失都不随机，都与受试者特征可能相关（比如没来第二次的人可能更忙）。做分析时要显式报告每一类涉及的人数，不能只写「有效样本 24 人」。
4.8 数据质量清单（DAIMS）
| 维度 | 评估 |
|---|---|
| 完整性 | 543 个文件全部非空；但 25 人中有 3 人的目录不完整（受试者 3 缺设备、20 与 21 缺会话） |
| 准确性 | 采样率与条目页吻合；但时间戳跨八年、受试者 20 有整组重复，两处都无法从数据内部判定原因 |
| 一致性 | 文件命名有一处例外（emda）；README 人数（14）与目录（13）不符；目录层级比 README 描述深一层 |
| 时效性 | 记录时间从 2018 到 2026，发布 2023 年；设备型号 Galaxy Watch4 与 Muse S 二代已非最新 |
| 唯一性 | 发现 4 组完全重复的文件（受试者 20 的四个文件，横跨两个条件） |
| 有效性 | 条件标签清晰；但「认知负荷」的条件内个体差异极大（Stroop 正确率 70.8% 至 100%），标签与构念之间有距离 |
「准确性」一栏我打了保留：不是数据错了，是无法从数据内部验证。这一点应该在使用说明里明说，而不是留给使用者去发现。
§5 它能用来做什么
5.1 检验「便宜设备能不能替代贵设备」
这是它的原始设计目标，也是最有价值的用途。
具体可做：用 Empatica 的脉搏（64 赫兹）与三星的脉搏（25 赫兹），各自算一套心血管指标（平均心率、逐搏间期的标准差），比较两者在区分静息与负荷时的一致性。
预期会发现：三星的绝对心率可能还准，但变异性指标会因为采样率不足而失真。 这个结论对做消费级健康应用的人很有用——它告诉你「可以算心率，但别算心率变异性」。
5.2 多模态融合的对照实验
三台设备、三类信号，天然适合做消融：
| 组 | 输入 |
|---|---|
| 1 | 仅皮电（Empatica） |
| 2 | 仅脉搏（Empatica） |
| 3 | 仅皮温 |
| 4 | 仅脑电频段功率（Muse） |
| 5 | 脉搏 + 皮电 |
| 6 | 全部 |
同一套划分、同一个分类器，六组对比。能回答「单靠哪一路信号就够」。
文献里公认皮电对认知负荷最敏感，这个实验可以验证它在这个数据上是否也成立。
5.3 做问卷游戏化的效应研究
正式实验的设计就是为了这个。可以做：
- 配对比较：同一个人，游戏化与非游戏化的填写耗时差多少；
- 组间比较：先游戏化的组与后游戏化的组的差异（交叉设计可以控制顺序效应）；
- 生理层面：填问卷时的皮电水平，在游戏化条件下是否更低。
注意这是「可行性研究」级别的样本量（十三个受试者），能给出的只是初步信号，不是定论。条目页的措辞也是「feasibility study」。
5.4 Stroop 表现作为协变量
这份数据罕见地提供了逐题的 Stroop 反应记录（4,140 题）。这意味着可以给每个受试者算一个「任务难度指数」：正确率与反应时的组合。
然后可以问一个更有意思的问题：在同为「认知负荷」条件的情况下，正确率高的人与正确率低的人，生理反应是否不同？
如果不同，说明生理信号里含有「任务表现」的信息，而不只是「任务在场」的信息。这个发现会让「认知负荷检测」这件事更可信。
5.5 做多设备时间对齐的技术演示
三台设备、三种采样率（4、25、64、256 赫兹）、四种时间基准。要把它们对齐到同一时间轴，需要解决：不同起点、不同采样率、可能的时钟漂移。
这是一个很实际的技术问题——任何多模态可穿戴研究都会遇到。这份数据提供了真实的对齐材料（同一次会话内三台设备同时记录）。
但要注意：数据里没有统一的触发标记。 所以对齐只能靠时间戳，而时间戳的精度受各自设备决定。这本身就是一个值得记录的教训。
5.6 教学
数据规模适中（单人要读的文件不超过十七个）、格式简单（CSV）、任务清晰（Stroop 是经典范式）。适合教：多模态数据加载、按受试者划分、类别不均衡处理、缺失模式识别。
受试者 3 与 20 正好可以当反例教材：一个展示「文件名不一致如何静默失败」，一个展示「重复数据如何污染统计」。
5.7 它不能用来做什么
- 不能做临床认知障碍筛查。 没有病人。
- 不能推人群的认知负荷常态。 二十五人、无人口学。
- 不能做长期监测。 每人最多两次，间隔两周。
- 不能当设备精度的金标准。 三台设备测的量不同，且没有研究级参照设备。
- 不能直接迁移到自由生活。 实验室、固定任务、研究员在场。
§6 常见误读
6.1 误读一：二十五个人是二十五份独立数据
受试者 20 的静息与负荷是同一份数据，受试者 3 缺两台设备，20 与 21 缺第二次会话。实际可用的人数是 24（单条件对比）或 11（两轮交叉对比）。
为什么容易读错：条目页写「两个子研究共二十五人」，读者自然会以为二十五人都完整。
正确读法：在读任何指标之前，先做一张「受试者 × 条件 × 设备」的可用性表。这张表是任何后续分析的起点。
6.2 误读二：三台设备在测同一个东西
只有 Empatica 与三星都测脉搏，其余各路完全不同（皮电、皮温、脑电）。
为什么容易读错：文件名都叫 *_bvp.csv，看起来是同一种信号。实际上 empatica_bvp 是 64 赫兹，samsung_bvp 是 25 赫兹，二者不在一个精度层级上。
正确读法：把三台设备看成三条独立通路，而不是三次重复测量。设备间比较只做脉搏一项，且要声明采样率的限制。
6.3 误读三：把「条件」当「状态」
cognitive_load 是一个实验条件，不是一个生理状态。同一个条件下，正确率 100% 的人与 70.8% 的人，实际负荷不同。
这是本篇最想纠正的一条。 它决定了这份数据能做什么：能区分「在做任务」与「没做任务」，不能量化「负荷有多高」。
6.4 陷阱一：按 empatica_eda.csv 硬编码
受试者 3 的认知负荷条件文件叫 empatica_emda.csv。全数据集只有这一个例外。
后果：如果你的脚本用 try/except 静默跳过找不到的文件，这个人的认知负荷条件会消失，而且不报错。你的有效样本会从 24 变成 23，而你不知道。
处理：加载后打印一张文件清单表，逐人逐条件核对「应该有 N 个文件，实到 M 个」。这个核对只要十行代码，能省掉后面所有的困惑。
6.5 陷阱二：以为目录只有两层
README 的描述让人以为正式组的路径是 survey_gamification/<id>/baseline/，实际是 survey_gamification/<id>/pre/baseline/。
后果：按 README 写的 glob 模式一个文件也匹配不到。
处理：不要按 README 写路径，先用一次 ls -R 或 S3 清单看真实结构。本篇在 §2.1 给了完整结构。
6.6 陷阱三：把问卷耗时当认知负担
四份问卷的耗时与题数不成正比（PANAS 二十题 60 秒，GRIT 十题 56 秒），个体差异达 4.7 倍。
这意味着「填写耗时」混合了题量、题型、阅读速度、个体习惯。它不是「认知负担」的干净代理。
正确做法：做配对比较（同一人两版本），不做组间均值比较；并且把「题数」作为协变量报出来。
6.7 陷阱四：忽略脑电的头带状态列
muse_eeg.csv 有 HeadBandOn 与四个 HSI 列。干电极头环最常见的失效模式就是接触不良。
后果：如果把 HSI 低的时段当成有效数据，你测到的是噪声的频段功率，而它可能恰好与某种状态相关（比如受试者越紧张越容易动头带）。
处理：按 HSI 设阈值筛除；并检查 HeadBandOn 是否全程为 1。
6.8 陷阱五：用绝对时间戳做对齐
时间戳跨八年（2018 到 2026），且同一次会话内三台设备的起点不同。
后果：任何「把两台设备的记录按绝对时间对齐」的尝试都可能错位几十秒到几小时。
处理：只用同一次会话内部的相对时间；跨设备对齐时，先算各设备记录起点的差值，再看这个差值是否合理（应在几分钟内）。
6.9 陷阱六：把 Stroop 正确率当质量控制
有人会想：正确率低的那几段是不是数据有问题？
不是。受试者 12 第一次会话正确率 70.8%，但他有完整的脑电、脉搏与皮电记录，反应时分布也正常（中位 1,006 毫秒，有 8 题超时）。这只说明这个任务对他比较难，不说明数据坏了。
反过来讲：如果按正确率筛数据，会把「任务确实难」的样本扔掉，剩下的都是「任务太简单」的样本，等于主动把难度范围压窄。
§7 与相邻数据的定位
7.1 与其他穿戴认知负荷数据的分工
| 这份数据 | 单设备认知负荷数据 | 研究级多导数据 | |
|---|---|---|---|
| 设备数 | 3 台消费级 | 通常 1 台 | 多台研究级 |
| 采样率 | 4 至 256 赫兹 | 视设备 | 高（1000 赫兹级） |
| 任务 | 只有 Stroop | 多为多任务 | 多任务加主观评分 |
| 规模 | 25 人 | 数十至数百人 | 数十人 |
| 目的 | 设备对比 | 模型训练 | 机制研究 |
它的不可替代性在于三台设备同时戴在一个人身上。这在公开数据里不多见，因为同步采集的工程成本高。它的短板在于任务单一与样本量。
7.2 与 Empatica 官方数据集的关系
Empatica 公司自己发布过若干 E4 数据集（如用于情绪识别与癫痫检测的公开数据）。那些数据通常只有 E4 一台设备，但样本量更大、场景更多样。
这份数据的差异在于有对照设备。如果研究问题是「E4 到底值不值这个价」，只有这份数据能回答一部分。
7.3 规模在整个生态里处于什么位置
穿戴生理数据集按规模分档：
| 档 | 规模 | 形态 |
|---|---|---|
| 小 | 十至数十人、数 GB | 这份数据（25 人、2.7 GB） |
| 中 | 数百人、数十 GB | 单设备队列研究 |
| 大 | 数千人以上、TB 级 | 大型生物银行的穿戴子队列 |
它处在最小一档。这个位置决定了它的用途：方法学验证与可行性研究，不是模型训练的主力数据。
7.4 与研究线的接续
条目页 References 有两条关键线索：
一是 Grzeszczyk 等 2023 年的 arXiv 论文（2302.03616），这是这份数据的直接出处，讨论「游戏化能否减轻自评负担」以及「用智能手表数据估计认知负荷」。
二是条目页提到的 GitHub 仓库（SanoScience/CogWear），里面有配套代码。
读这两处能回答一个问题：作者自己用什么方法、拿到了什么结果。 这是判断这份数据「到底好不好用」最直接的依据。
7.5 适合谁用
- 做消费级穿戴算法验证的团队：这是最对口的用途。
- 做多模态生理信号对齐的方法学研究者：三种采样率的真实素材。
- 做认知负荷检测的入门者：规模小、任务经典、有配套代码。
- 不适合：需要大样本的人群研究、需要临床标签的医学研究、需要自由生活数据的团队。
§8 怎么用：分析方案
8.1 最小可用基线
先说清楚做什么：区分静息与 Stroop。
做法：只用 Empatica 的皮电（4 赫兹），每段取三个特征——均值、标准差、一阶差分的均方根。用逻辑回归做二分类，按受试者留一交叉验证。
为什么只用皮电：皮电对交感激活最敏感，是文献里公认最有效的单路信号；4 赫兹的低采样率意味着特征少、不易过拟合；留一交叉验证在二十五人上可以做，每折一人。
这个基线的意义是：如果深度模型在同样条件下不能显著超过它，那复杂模型就没有必要。
8.2 划分策略：留一受试者，但要处理缺失
二十五人留一交叉验证，每次留一人。这里有两个必须处理的点：
第一，受试者 20 必须排除。 他的两个条件数据相同，留在任何一侧都会污染结果。
第二，受试者 3 的皮电文件名不同。 要在加载阶段就处理掉，否则他会在留一循环里消失，而你只有看到「24 折」时才可能发现。
第三，受试者 20、21 只有单会话。 如果做「两次会话」的分析，有效人数是 11 而不是 13。
建议做法：先建一张可用性表（受试者 × 条件 × 设备），再决定哪些分析用哪些人。每张结果表都要标出这一行用的是几个人。
8.3 指标怎么选
二分类（静息 vs 负荷）且个体差异大，主指标的选择要看目的：
| 指标 | 回答什么 | 适用 |
|---|---|---|
| 留一准确率 | 换一个人还行不行 | 主指标 |
| 每折准确率的分布 | 稳定性 | 必报，25 个数的箱线图 |
| AUC | 阈值无关的区分度 | 合适 |
| 个体内准确率 | 同一个人两条件能否分开 | 辅助，说明信号是否存在 |
推荐主指标：留一交叉验证的准确率，加一张「25 折准确率的箱线图」。
箱线图比单一的均值更有信息量：如果分布是双峰的（有人在 90%，有人在 55%），说明信号只在部分人身上存在，这比报一个「平均 78%」诚实得多。
8.4 五条失败模式
| 现象 | 可能原因 | 排查动作 |
|---|---|---|
| 准确率异常高（>95%） | 泄漏：同一人的数据跨了两侧 | 检查是否按受试者划分 |
| 准确率接近 50% | 用了不对齐的时段，或特征方向反了 | 画单个受试者的两条件时序图 |
| 各折准确率双峰 | 信号只在部分人身上存在 | 报每折准确率分布，不报均值 |
| 加入脑电后反而变差 | HSI 低段未筛，噪声主导 | 按 HSI 阈值重做 |
| 加三星脉搏后没变化 | 25 赫兹算不出有效的变异指标 | 只用心率均值，别用变异性 |
8.5 三设备消融
这是最值得做的实验。
设计：特征固定（每路信号的均值与标准差），分类器固定，只改输入：
| 组 | 输入通道 |
|---|---|
| 1 | 皮电（Empatica） |
| 2 | 脉搏（Empatica） |
| 3 | 皮温（Empatica） |
| 4 | 脉搏（三星） |
| 5 | 脑电五频段（Muse，四电极平均） |
| 6 | 皮电 + 脉搏（Empatica） |
| 7 | 皮电 + 脑电 |
| 8 | 全部 |
八组、同一套留一划分。结果能直接回答「哪一路信号最有用」「便宜的设备做到了多少」。
注意第 4 组与第 2 组的对比：同样是脉搏，采样率差 2.5 倍。这一对的差值就是「便宜设备的代价」。
8.6 条件内变异分析
这是这份数据最该做、却最少被做的分析。
做法：只在 cognitive_load 条件内做，把每个受试者的 Stroop 正确率作为自变量，把这个人的皮电均值作为因变量，看两者是否相关。
如果相关为正（正确率高的人皮电反而低），说明皮电反映的是「吃力程度」而不是「任务在场」；如果无关，说明皮电只反映「有没有在做任务」。
样本量只有二十几个人，这个分析的统计功效很低。但它是唯一能触及「认知负荷的强度」这个问题的路径，值得做，结论要标成「探索性」。
8.7 一个贴合实际的部署考虑
如果目标是做一个「检测当前是否在费力思考」的功能，实际约束是：单设备（用户只有一块手表）、低功耗、实时。
在手上只有三星手表（25 赫兹脉搏）的情况下，这份数据能告诉你什么？
能告诉你：心率均值在两个条件下的差异是否可检测。
不能告诉你：心率变异性能否用（采样率不够）。
提醒你：实验室条件下的差异，在你的用户身上可能不存在（个体差异极大）。
这个诚实的评估，比任何一个准确率数字都有用。
§9 一个更宽的问题：「消费级够不够用」这件事怎么问
写完这些核对，值得说一个方法论问题。
「消费级设备够不够用」这个问句，本身是不完整的。完整的问法必须补三个限定：
够用来做什么？ 算平均心率与算心率变异性，结论完全不同（§2.10）。前者 25 赫兹够，后者不够。
对谁够用？ 这份数据里，Stroop 正确率 100% 的人与 70.8% 的人被同等对待，但他们的生理反应可能完全不同。设备精度在「高反应者」身上可能足够，在「低反应者」身上不够。
在什么条件下够用？ 实验室静坐与真实办公，皮电的信噪比差很多。
这份数据的价值，不在于它给出了「够」或「不够」的答案，而在于它把这三个限定都摆在了同一个实验里：三台设备（对比精度）、一种任务（固定条件）、二十五个人（个体差异）。
它最大的贡献可能是让人意识到：这个问题没有单一答案。
§10 术语与口径
| 术语 | 本篇口径 |
|---|---|
| 条件 | 实验设计的一段：静息、认知负荷、填问卷 |
| 会话 | 一次完整的实验流程，含三个条件 |
| 组 | 两个子研究：试点与正式 |
| BVP | 血容量脉搏，光电容积脉搏波的原始信号 |
| EDA | 皮电活动，皮肤电导的变化 |
| HSI | 头带信号质量指标，Muse 输出 |
| 游戏化 | 问卷加进度条与奖励元素的版本 |
| Stroop | 色词干扰任务，要求报字体颜色而非词义 |
§11 事实清单
11.1 核心事实表
| 项目 | 值 |
|---|---|
| 受试者（目录数） | 25（试点 11、正式 13） |
| 正式组编号 | 11 至 24，缺 19 |
| CSV 总数 | 543 |
| 总字节 | 约 2.74 GB |
| 设备 | 3 台（Empatica E4、三星 Galaxy Watch4、Muse S 二代） |
| 采样率 | 64 / 4 / 4 / 25 / 约 256 赫兹 |
| 试点的静息时长 | 1.5 至 3.4 分钟 |
| 正式组静息时长 | 3.0 至 3.4 分钟 |
| 认知负荷时长 | 0.5 至 7.2 分钟 |
| Stroop 总题数 | 4,140 |
| Stroop 总正确率 | 93.6% |
| Stroop 个体正确率范围 | 70.8% 至 100% |
| 问卷数 | 4 份（GRIT、PANAS、HAPPINESS、NFR） |
| NFR 记录数 | 22（缺 2） |
| 完全重复文件组 | 4 组（受试者 20） |
| 时间戳跨度 | 2018 至 2026 |
| 未压缩体积 | 2.7 GB |
| 许可 | ODbL v1.0 |
| DOI | 10.13026/5f6t-b637 |
11.2 可立即验证的疑问
拿到数据后，下面每条都能用一条命令或一次查看确认：
- 受试者 20 的重复是不是真的？ 对
survey_gamification/20/pre/baseline/与.../cognitive_load/下同名文件算 MD5，四个应完全相同。 emda这个拼写只出现一次吗？ 在整个目录里搜文件名含emda的，应该只有一个。- README 说十四人、条目页说十三人，哪个对？ 数
survey_gamification/下的目录，应为 13 个。 - 三台设备的记录起点差多少？ 取同一会话的三个文件，各读第一行时间戳，算差值。若差值在几十秒内，说明是同时启动；若几分钟，可能是分次启动。
- 脑电的 HSI 有多少时段不合格？ 读
muse_eeg.csv四个 HSI 列，统计低于阈值的比例。若某个受试者全程偏低，该人的脑电应整体排除。 - 受试者 3 的 60 题是截断还是另一个版本？ 看他的
stroop_responses.csv里词色组合是否覆盖了完整题库，若只覆盖一半，是截断。
第 4 条我在这里没做（需要逐个会话比对三台设备的首行时间戳，量较大），但它对「能不能做跨设备对齐」这个问题是决定性的，值得优先补。
11.3 证据链
§1：三台设备的型号、采样率、佩戴位置、任务定义（Stroop 与基线各三分钟）、问卷四份与游戏化元素、交叉设计，全部来自条目页 Methods 段。两个子研究的人数与目的来自 Abstract。
§2：目录结构、受试者编号、文件集合、行数、采样间隔众数、时长、Stroop 统计、问卷统计、重复文件的 MD5、emda 拼写、NFR 缺失，全部由我下载 543 个 CSV 后逐文件解析得到。条目页与 README 只提供了文字描述。§2.1 的人数不符、§2.2 的三人目录不完整、§2.3 的整组重复，是本篇核对发现。
§3：许可、DOI、体积来自条目页 Access 与 Files 区。S3 清单加并行下载与逐目录爬的速度对比是本次核对的记录。
§4：样本量四层量级、单一任务、实验室环境、条件与状态的差别、三设备不同模态、无主观评分、缺失类型、DAIMS 表，前五条基于条目页表述加数据结构分析；缺失类型的数值来自核对；DAIMS 为编辑按维度展开。
§5：四条用法为编辑基于数据特性展开；§5.3 的交叉设计分析依据条目页的设计描述；§5.4 的 Stroop 表现作协变量是本篇提出，条目页未做。
§6：六条误读与陷阱中，6.1 与 6.2 基于核对结果；6.3 是基于标签与构念分离的判断；6.4 至 6.8 来自核对发现的格式与结构问题；6.9 为编辑判断。
§7：与 Empatica 官方数据的对照、规模分档为编辑整理；7.4 的两条线索来自条目页 References。
§8：全部为编辑的方法学建议，条目页未给出划分或指标要求。
§9：关于「够不够用」这个问法的讨论属编辑观点。
§11.1：除许可、DOI、体积、设备与采样率外，其余均为核对结果。
未验证的部分：生理信号的波形质量与伪迹；三台设备的同步精度；Muse 频段功率与原始信号的一致性；与原始论文结论的对照；受试者人口学信息（本版本未提供）。
编辑说明
本页依据 PhysioNet 条目页（https://physionet.org/content/consumer-grade-wearables/1.0.0/）与数据集 README 的公开表述撰写，并完整下载了全部 543 个 CSV（约 2.74 GB）做逐文件核对。
需要说明的几处判断：
一是关于人数。条目页 Abstract 写正式实验十三个志愿者，README 写十四个（编号 11 至 24）。目录里只有十三个，编号缺 19。本页据此判定条目页的数字正确、README 有误。
二是关于受试者 20。其 pre 会话的 baseline 与 cognitive_load 四个设备文件逐字节相同（MD5 一致）。本页判定为复制错误，并建议在单条件对比中排除此人。这是本页的核心更正之一。
三是关于受试者 3。缺三星与脑电全部文件，皮电文件名写作 empatica_emda.csv，Stroop 只有六十题。本页只记录现象，未推断原因（可能是设备未戴、也可能记录失败）。
四是关于时间戳跨度。记录时间从 2018 年延伸到 2026 年，而数据集发布于 2023 年。本页列出三种可能解释但不做判定，因为数据内部没有证据可以区分。
五是关于「emda」这个拼写。全数据集仅此一例。本页在 §6.4 把它列为必须显式处理的坑，而不是当成笔误一笔带过——因为它会导致静默的样本丢失。
六是关于 Muse 采样率。从时间戳算出的众数波动，本页判定为两位小数舍入造成的假象，不是真实采样率不稳。这是基于 256 赫兹下相邻间隔 0.0039 秒的推理，未做独立验证。
七是关于「认知负荷」标签。本页在 §4.4 与 §6.3 反复强调：cognitive_load 是条件标签，不是状态标签。这不是数据集的缺陷，是这类实验设计的固有特性，但使用时必须清楚。
资助与利益冲突：条目页列出了资助方与作者声明，具体可查条目页 Acknowledgements 与 Conflicts of Interest 两段；另有 Ethics 段说明伦理审批情况。
相关数据集导航
以下为站内 AI-Ready 数据集百科中与本词条共享多个主题标签的相关数据集，按相关度降序排列：
- nebula-reaching-eeg — 共享标签：生理信号 / 可穿戴传感 / 评测基准 / 神经科学
- wearable-exam-stress — 共享标签：生理信号 / 可穿戴传感 / 评测基准 / 神经科学
- globem — 共享标签：生理信号 / 可穿戴传感 / 评测基准 / 神经科学
- dreamt — 共享标签：生理信号 / 可穿戴传感 / 评测基准
- hf-lung-v1 — 共享标签：生理信号 / 可穿戴传感 / 评测基准
- eeg-power-anesthesia — 共享标签：生理信号 / 评测基准 / 神经科学
- gaitpdb — 共享标签：生理信号 / 评测基准 / 神经科学
- ltrsvp — 共享标签：生理信号 / 评测基准 / 神经科学
- brain-wearable-monitoring — 共享标签：生理信号 / 可穿戴传感 / 神经科学
- kinecal — 共享标签：生理信号 / 可穿戴传感 / 评测基准
导航说明：本章节由全站统一标签体系自动计算生成（标签重合度算法），双向可达；点击链接可跳转至对应数据集词条。
