DEAP — 多模态脑电情绪数据集 AI-Ready Wikipedia

32 人 × 40 段音乐视频的多模态脑电情绪标注库

来源 Queen Mary University of London（QMUL，MMV 研究组） url: http://www.eecs.qmul.ac.uk/mmv/datasets/deap/发布时间: 2026-09-13最后更新: 2026-09-25 阅读 40
DEAP — 多模态脑电情绪数据集 AI-Ready Wikipedia

信息速览

数据集名称DEAP — 多模态脑电情绪数据集 AI-Ready Wikipedia
数据类型1,280 个试验,32 通道脑电 128 Hz,8 通道外周生理,40 段一分钟视频,预处理版约 1.5 GB,申请审核获取
规模32 名健康受试者（16 男 16 女，17-37 岁）
接入方式Queen Mary University of London（QMUL，MMV 研究组） url: http://www.eecs.qmul.ac.uk/mmv/datasets/deap/
AI 就绪度

数据集封面

DEAP — 多模态脑电情绪数据集 AI-Ready Wikipedia

INFOBOX

字段 内容
数据集名称 DEAP（情绪生理信号分析数据库）
英文全称 Database for Emotion Analysis using Physiological Signals
别名/简称 DEAP Dataset；DEAP: A Database for Emotion Analysis using Physiological Signals
疾病分类（ICD-11 编码+中文名） 6A70 单次发作抑郁障碍、6B00 广泛性焦虑障碍（下游精神健康研究语境映射，受试者为健康人群，非诊断标签）
SNOMED CT 273282007（Mood state，情绪状态可观察实体）；364574006（Emotional state finding）；48694002（Anxiety, finding）
数据模态 32 通道脑电（EEG）+ 8 通道外周生理（EOG/EMG/皮肤电/呼吸/血容量脉搏/皮温）+ 正面面部视频（22/32 人）+ 主观自评
AI 任务类型 单试次情绪二分类/回归（效价、唤醒度、支配度、喜好度）、跨被试泛化、多模态融合、脑机接口
样本总数 1,280 个试验（32 名受试者 × 40 段视频）
数据大小 预处理 MATLAB 版约 1.5 GB；原始 BDF 版约 20 GB（量级，以官方下载页为准）
数据格式 .mat（MATLAB 预处理版）、.dat（Python pickle 版）、.bdf（原始）、PDF/CSV（问卷与评分）
许可证 DEAP EULA（仅限学术研究，禁止商业/军事用途）
访问级别 申请审核（签署 EULA 并经官方在线申请服务器上传）
DUO 标签 HMB（生物医学研究）、NPUNCU（非商业非营利）、PUB（发表须致谢引用）
语言 英语（实验材料、文档与标注量表）
首发日期 2012-01（随论文正式发表公开发布）
发布机构 Queen Mary University of London（合作：University of Twente、University of Geneva、EPFL）
官方主页 eecs.qmul.ac.uk/mmv/datasets/deap
下载地址 eecs.qmul.ac.uk/mmv/datasets/deap/download.html
DOI 10.1109/T-AFFC.2011.15
AI 就绪度评分 ⭐⭐⭐⭐（4/5）— 官方提供 128 Hz 预处理版、结构规整（40×40×8064），但无官方划分脚本，二值化阈值与被试无关协议需自行实现
页面状态 published

§0 E-E-A-T 审核与免责声明

医学审核者：[千方病案医学编辑部] 交叉审核：§2 医学背景（ICD-11 与 SNOMED CT 映射、情绪障碍流行病学）、§7 偏倚分析。

数据工程审核者：[千方病案医学编辑部交叉审核] 医疗 AI 数据工程师，审核范围：§4 DAIMS 数据字典、§5 数据划分策略、§6 预处理 Pipeline 和坑点。

审核日期：2026-09-05

医疗免责声明：本页面提供的医学信息仅供研究和教育目的，不构成医疗建议、诊断或治疗方案。数据集的医学描述基于公开发表的文献，未经逐一临床验证。任何基于该数据集训练的 AI 模型在应用于临床决策前，必须经过独立的临床验证和监管审批。

技术免责声明：本页面的代码示例、预处理建议和基准性能数据基于公开资料整理，不保证在特定环境下的准确性和适用性。使用者应自行验证代码安全性和数据预处理流程的正确性。千方病案医数集不对因使用本页面信息而导致的任何直接或间接损失承担责任。

数据使用合规：使用本页面描述的数据集前，请务必阅读并遵守数据集原始许可协议。DEAP 要求用户打印签署 EULA 并经官方在线申请服务器上传，审批后方可获取数据，且数据仅限学术研究用途。DUO 标签仅供参考，具体使用限制以数据集官方协议为准。

§1 数据集概览

§1.0 📌 30 秒速览

这是什么？ DEAP 是情感计算领域被引用最多的多模态生理信号数据集之一。32 名志愿者每人观看 40 段一分钟的音乐视频片段，与此同时记录他们的 32 通道脑电（EEG）和 8 通道外周生理信号（眼电、肌电、皮肤电、呼吸、血容量脉搏、皮温）。每看完一段视频，受试者立即给"开心程度（效价）"“兴奋程度（唤醒度）”“支配度”"喜好度"打 1-9 分。生理信号 + 主观评分的组合，让它成为"从身体信号推测情绪"研究的标准试验场。

为什么重要？ 情绪是主观的，但生理反应是可测量的。DEAP 首次把"连续自评 + 多模态生理记录 + 真实视频刺激"组合成公开资源，让全世界的研究者能在同一份数据上比较算法。它发表的 2012 年正是情感计算从概念走向工程化的转折点，此后十余年间几乎所有 EEG 情绪识别论文都以它为基准。理解 DEAP 的数据结构与评估协议，是进入 EEG 情绪识别领域的必修课。

我能用它做什么？ 你可以训练模型从 60 秒的脑电片段预测观看者的情绪效价与唤醒度（二分类或回归）；研究多模态融合（脑电 + 外周生理 + 面部视频）；评估跨被试泛化这一领域核心难题；或把它当作脑机接口（BCI）情绪应用的预训练语料。注意：它不能用于商业用途（EULA 禁止），也不能替代任何临床诊断工具。

§1.1 技术摘要

DEAP（Database for Emotion Analysis using Physiological Signals）由伦敦玛丽女王大学（QMUL）Koelstra 等人在欧盟 FP7 PetaMedia 项目资助下构建，成果发表于 IEEE Transactions on Affective Computing（3 卷 1 期 18-31 页，2012 年 1 月，DOI 10.1109/T-AFFC.2011.15）论文页。实验层面：32 名受试者（16 男 16 女，17-37 岁）每人观看 40 段经 last.fm 情感标签检索、视频高光检测与在线评估工具三步筛选出的 60 秒音乐视频；生理信号以 Biosemi ActiveTwo 系统采集——32 导 EEG 按国际 10-20 扩展系统放置，原始采样率 512 Hz，官方预处理版降采样至 128 Hz；外周通道含水平/垂直眼电（hEOG/vEOG）、颧肌/斜方肌肌电（zEMG/tEMG）、皮肤电（GSR）、呼吸带、血容量脉搏（BVP）与皮温，共 8 通道。每位受试者的预处理数据存为一个 40×40×8064 的三维数组（40 个试验 × 40 个通道 × 8064 个采样点，其中前 384 个采样点为 3 秒基线），配套 40×4 的标签矩阵（效价、唤醒度、支配度、喜好度）。22/32 名受试者另有正面面部视频。数据需签署 EULA 申请获取，仅限学术研究。

§1.2 战略价值

维度一：事实上的社区基准。DEAP 是 EEG 情绪识别方向被反复对标的数据集：从早期支持向量机到最新的 Transformer 与图神经网络，绝大多数论文在 DEAP 上报告效价/唤醒度二分类结果。这种"人人都在跑"的地位意味着：新算法能立刻与十年积累的文献横向比较；但同时也意味着评估协议碎片化（被试内/跨被试、阈值/划分方式各异）成为长期困扰，使用者必须先弄清协议再比较数字（详见 §6.5 坑点 2）。

维度二：多模态融合的标准试验台。同一时刻、同一刺激下的 32 通道脑电 + 8 通道外周生理 + （22 人的）面部视频 + 主观评分，构成了完整的多模态情绪记录。对于研究"生理信号之间如何互补""哪一种模态对哪种情绪维度更敏感"的问题，DEAP 提供了难得的对齐样本。其 63 秒×40 试验的单人数据量也适合做特征工程与轻量级深度模型实验，无需大规模算力即可复现基线。

维度三：方法学警醒教材。DEAP 十余年文献沉淀出一条清晰的"性能鸿沟"：被试内（subject-dependent）协议下二分类准确率普遍达 90%-99%，而跨被试（subject-independent/LOPO）协议下往往只有 60% 量级综述。这条鸿沟本身就是重要的研究素材——2026 年仍有同行评审研究证明被试身份混淆（subject identity confounds）会系统性夸大 qEEG 情绪识别性能MDPI Sensors。对方法论研究者而言，DEAP 是研究"如何做诚实的情绪识别评估"的最佳样本。

§1.3 同类数据集横向对比

数据集 受试者 EEG 通道（采样率） 其他模态 标注体系 获取方式
DEAP 32 人 32 导（128 Hz 发布） 8 通道外周 + 面部视频（22 人） 效价/唤醒度/支配度/喜好度 1-9 分（familiarity 1-5 分） 申请审核（EULA）
DREAMER 23 人 14 导（128 Hz） ECG 效价/唤醒度 1-5 分 Zenodo 公开
MAHNOB-HCI 27 人 32 导（256 Hz） 外周生理 + 音视频 效价/唤醒度 1-9 分 申请审核
SEED 15 人 62 导（200 Hz 发布） 眼电 3 类离散情绪（正/中/负），3 次会话 申请审核
SEED-IV 15 人 62 导（1 kHz 采集） 眼电 4 类离散情绪（悲伤/中性/恐惧/高兴） 申请审核

差异化定位：DEAP 的独特性在于连续自评维度最多（4 维 1-9 分 + familiarity）且外周通道与脑电同步记录；SEED 系列胜在会话内重复测量与离散标签清晰；DREAMER 完全开放下载，适合快速入门；MAHNOB-HCI 规模与 DEAP 相近但发布更早、社区活跃度略低。若目标是跨数据集泛化研究，需注意 DEAP 与 DREAMER 的 EEG 通道交集仅有 4 导MDPI Sensors。

§1.4 版本时间轴

时间 事件 说明
2011 论文早期在线版本可见，社区开始引用 部分文献署"Koelstra et al., 2011"
2012-01 IEEE TAC 正式发表（3 卷 1 期 18-31 页），数据集随论文公开发布 官方页面自此时起提供下载
2012 至今 官方未发布重大版本变更 长期以同一套预处理/原始数据包提供服务；基因数据包（DEAP_GENEVA）等附属资源单独提供

截至本页审核日（2026-09），官方下载页仍是唯一权威分发渠道，未在 Hugging Face、Kaggle 等平台提供官方镜像；第三方转存不受 EULA 允许。

§1.5 典型应用场景

  1. 情绪识别算法基准测试：以 32 通道 EEG 预测效价/唤醒度高低的二分类，或直接做 1-9 分回归，与文献基线横向对比。
  2. 多模态融合研究：考察 EEG、外周生理、面部视频三种模态对情绪维度的互补性，以及决策级/特征级融合的增益。
  3. 脑机接口原型：实时情绪监测的算法原型验证——DEAP 的 1 秒/2 秒滑窗设定贴近在线解码场景。
  4. 跨被试泛化与域自适应研究：利用 32 名受试者构造 LOPO 评测，验证域对抗、元学习等泛化方法。
  5. 音乐视频推荐与内容分析：回到数据集的原始动机——用生理反应为音乐视频做隐式情感标注，服务推荐系统研究论文摘要。

§2 医学背景

§2.1 ICD-11 编码映射

DEAP 的受试者为健康志愿者，数据本身不携带疾病诊断标签。下表给出的是该数据集在下游研究语境中常被映射到的 ICD-11 编码，用于说明"从生理信号估计情绪状态"这一能力与哪些临床研究方向相关，而非诊断分类。

概念标签 ICD-11 编码 ICD-11 中文名 研究语境说明
抑郁症状筛查研究 6A70 单次发作抑郁障碍 效价持续偏低与兴趣缺失（快感受损）的自动检测是抑郁辅助筛查的核心问题
复发性抑郁研究 6A71 复发性抑郁障碍 纵向情绪监测与复发预警研究方向
焦虑相关研究 6B00 广泛性焦虑障碍 唤醒度异常升高（过度警觉）的生理表征研究方向
情绪调节研究 6E63 （对照：应激相关情境） 情绪诱发-恢复的生理动力学研究语境

⚠️ 映射性质说明：以上编码描述的是 DEAP 数据所服务的研究方向。数据集中的 1-9 分自评是健康人群的情绪状态评分，不可直接当作 ICD-11 诊断依据使用。

§2.1b SNOMED CT 映射

标签 SNOMED CT 码 术语（英文） 说明
情绪状态 273282007 Mood state (observable entity) 效价/唤醒度自评对应的可观察概念，映射建议
情绪状态发现 364574006 Emotional state finding 情绪相关临床发现建模，映射建议
焦虑（发现） 48694002 Anxiety (finding) 焦虑相关下游研究方向
脑电图检查 396487001 Electroencephalography (procedure) 数据模态对应操作概念，映射建议

SNOMED CT 映射为编码建议（用于数据集元数据标准化），实际术语绑定请以 SNOMED CT 官方浏览器当前版本为准。

§2.2 疾病简介与流行病学

情绪障碍的疾病负担。据世界卫生组织与全球疾病负担研究估计，全球约有 2.8 亿人受抑郁障碍困扰，焦虑障碍影响约 3 亿人，两类疾病均位居全球致残原因前列WHO 事实档案。情绪障碍的核心临床难题之一是症状的主观性与隐匿性：患者自评量表（如 PHQ-9、GAD-7）依赖表达能力与求治意愿，客观生理标记物长期缺乏。

为什么生理信号情绪识别与医学相关。效价（愉悦-不愉悦）与唤醒度（平静-激动）是情绪的两大核心维度（Russell 环状模型），而抑郁、焦虑等障碍恰好在这些维度上表现出可测量的偏移——抑郁对应效价维度的系统性下移，焦虑对应唤醒维度的基线上移。若能从便携设备记录的 EEG 与外周生理信号中稳定估计这两个维度，就为精神健康的连续、被动、居家监测提供了入口。DEAP 正是这一研究路线中使用最广的公开数据基准：它用标准化的视频诱发范式把"情绪状态"和"多模态生理反应"配对，让算法可以先在受控环境里学会基础映射，再向真实场景迁移。

流行病学要点与数据集的衔接。情绪障碍的终生患病率随年龄与地域分布差异显著，且门诊识别率不足是公认瓶颈。在此背景下，基于生理信号的情绪识别研究承担的是筛查辅助与状态监测角色（早发现、早转介），而非诊断决定角色。使用 DEAP 训练的模型在进入任何临床工作流之前，都需要在真实患者队列上完成独立验证——这也是本页 §7.8 外部验证矩阵强调的内容。

§2.3 临床任务定义

任务类型 定义 在 DEAP 上的形态 临床成熟度
筛查（辅助） 从生理信号推断情绪状态偏移，提示进一步评估 效价/唤醒度二分类，逐受试者聚合 研究阶段，未进入临床路径
状态监测 连续跟踪情绪维度变化轨迹 1-9 分回归，滑窗解码 研究阶段，可穿戴原型探索中
诊断分级 确定疾病类型与严重程度 不在 DEAP 数据能力范围内 不适用

需要明确：DEAP 支持的是"健康人群的情绪状态估计"这一上游能力，与临床诊断之间隔着疾病队列验证、设备形态差异（实验室电极帽 → 消费级设备）、诱发情境差异（视频 → 日常生活）三重鸿沟。§6.5 坑点 7 讨论的被试身份混淆问题，正是这重鸿沟的技术成因之一。

从临床转化视角看，"视频诱发 - 实验室采集"与"自然情境 - 可穿戴采集"之间存在系统差距：

差距维度 DEAP 中的形态 真实临床场景的形态 转化含义
刺激 60 秒音乐视频强诱发 日常生活弱诱发、混合情绪 模型需在低信噪比下工作
设备 32 导湿电极 + 完整外周套件 1-4 导干电极可穿戴 通道子集迁移与域自适应
标签 即时自评 1-9 分 量表回溯评分（PHQ-9 等） 标签时间粒度不一致
人群 健康志愿者 精神疾病患者 症状异质性远超诱发差异

§2.4 受试者人群

维度 描述
来源 经社区广告在伦敦招募的健康志愿者（QMUL 及合作机构实验场地）
规模 32 人（16 男 16 女）
年龄 17-37 岁
健康状态 健康志愿者，非患者群体；无疾病诊断标签
就医类型 不适用（实验室人群，非临床队列）

该人群画像决定了 DEAP 上的模型结论不能外推到精神疾病患者、老年人或非欧洲人群（详见 §7.1 偏倚表）。

§2.5 临床价值判断

DEAP 对医学 AI 的价值是间接而基础性的：（1）它是"生理信号→情绪维度"映射的原理验证数据集，为精神健康监测设备提供算法雏形；（2）它推动了一整套 EEG 情绪识别方法学（频带特征、图神经网络、跨被试域自适应）的形成，这些方法正在向真实患者数据迁移；（3）它公开暴露了自评标注噪声、被试身份混淆等失败模式，为社区提供了"如何不做坏科学"的教学样本。反过来，它不提供：诊断级标注、患者数据、长时程纵向记录。评估 DEAP 的临床价值时应把它视为"方法学训练场"而非"临床数据资产"。

§2.6 金标准对照表

维度 DEAP 的做法 说明
参考标准划分 主观自评为参考标准 每段视频观看后即时自评，无外部临床金标准
标注方式 SAM 情绪自评量表（人工自评） 效价/唤醒度/支配度/喜好度 1-9 分，familiarity 1-5 分
标注者 参与者本人 单标注者（自评），无标注者间一致性可言
标注性质 连续 1-9 分，主观 噪声来源：个体量表使用习惯差异、记忆偏差
泄漏控制 无官方划分 由使用者自行构造，协议差异是文献分歧主因

§3 数据集规格

§3.0 版本抉择矩阵

官方提供多个数据包，按你的研究目标选择：

你的需求 推荐版本 大小（量级） 理由
快速跑通情绪分类基线 data_preprocessed_python 约 2.5 GB .dat（pickle）直接反序列化，Python 生态零转换成本
MATLAB 生态复现论文实验 data_preprocessed_matlab 约 1.5 GB .mat 原生格式，128 Hz 已降采样
完整信号处理链（滤波/伪迹去除/重参考） data_original_bdf 约 20 GB 512 Hz 原始 BDF，含完整采集细节
遗传关联分析 DEAP_GENEVA 数 GB（部分被试） 基因数据子集，需单独说明用途
视觉注意力/显著性研究 Video_Saliency 约 700 MB 刺激视频的显著性数据
心理学问卷分析 Questionnaires 约 500 MB 问卷原始数据

各包确切大小以官方下载页为准；本表数字为社区报道的量级参考教程汇总。

§3.1 模态详情

模态 通道构成 采集参数 发布形态
脑电（EEG） 32 导（Biosemi ActiveTwo 系统，按国际 10-20 扩展位放置主动电极） 原始 512 Hz 预处理版降采样至 128 Hz；原始版保留 512 Hz BDF
眼电（EOG） 2 导：hEOG（水平）、vEOG（垂直） 同步 512 Hz 预处理版 128 Hz
肌电（EMG） 2 导：zEMG（颧肌）、tEMG（斜方肌） 同步 512 Hz 预处理版 128 Hz
皮肤电（GSR/SCL） 1 导 同步 512 Hz 预处理版 128 Hz
呼吸 1 导（呼吸带） 同步 512 Hz 预处理版 128 Hz
血容量脉搏（BVP） 1 导（光电容积描记） 同步 512 Hz 预处理版 128 Hz
皮温 1 导 同步 512 Hz 预处理版 128 Hz
面部视频 1 路（正面，22/32 人） 与生理信号同步录制 单独提供，受更严格的同意条款约束
主观评分 5 维自评 视频结束后即时采集 labels 矩阵（4 维）+ 问卷文件（含 familiarity）

信号通道总数 = 32（EEG）+ 8（外周）= 40，与预处理数据数组的第二维一致Frontiers Comput Neurosci 2019。

§3.2 子集与样本数

子集 覆盖人数 样本数 说明
全部受试者 32 1,280 试验（32 × 40） 核心数据
有面部视频的受试者 22 880 试验 因知情同意范围不同
基因数据子集 部分受试者 — DEAP_GENEVA 包，人数见官方文档
问卷数据 32 32 份问卷 含 familiarity 等附加维度

§3.3 数据格式

格式 扩展名 读取工具 注意事项
MATLAB .mat scipy.io.loadmat / h5py 官方 MATLAB 版为 v7.3（HDF5）格式，scipy.io.loadmat 不支持，需用 h5py（见坑点 5）
Python pickle .dat pickle.load 官方 Python 版，字典含 data 与 labels 两个键
BDF .bdf pyedflib / MNE-Python 原始 512 Hz 数据，需自行完成全部预处理
问卷/评分 PDF、CSV pandas participant_ratings 含全部自评维度明细

§3.4 存储大小

数据包 大小（量级）
data_preprocessed_matlab.zip 约 1.5 GB
data_preprocessed_python.zip 约 2.5 GB
data_original_bdf.zip 约 20 GB
附属包（基因/显著性/问卷） 各数百 MB 至数 GB

快速估算核验：预处理版信号 = 32 人 × 40 试验 × 40 通道 × 8,064 采样点 × 8 字节（float64）≈ 3.2 GB 原始数组；分发 zip 经压缩后与上表量级吻合。

§3.5 标注方式

标注为人工主观自评：每段视频结束后，受试者通过 SAM（Self-Assessment Manikin）情绪自评量表对当前感受打分。四个核心维度（效价、唤醒度、支配度、喜好度）取值 1-9，familiarity（对刺激的熟悉度）取值 1-5Frontiers Comput Neurosci 2019。预处理数据中的 labels 矩阵仅包含前 4 维；familiarity 与其他问卷信息在问卷文件中提供。社区普遍以固定阈值 5 或个体中位数把连续分转为二分类标签（见坑点 3）。

§3.6 标注者资质与一致性

标注者即受试者本人（1,280 个试验 × 1 名自评者）。不存在标注者间一致性指标（如 Kappa）；论文通过分析受试者评分分布与 EEG 频段能量的相关性来佐证评分有效性论文摘要。使用者应把每个标签视为"该个体对该视频的即时主观感受"，而非情绪的客观真值。

§3.7 采集周期

论文于 2012 年 1 月正式发表，实验在论文发表前完成；官方文档未标注逐月采集计划。数据集自 2012 年起以同一版本持续提供。

§3.8 地域覆盖

采集地在英国伦敦（Queen Mary University of London）；项目由 QMUL、University of Twente（荷兰）、University of Geneva 与 EPFL（瑞士）多机构合作完成ACM DL。受试者为欧洲城市志愿人群，地域代表性有限。

§3.9 设备规格

项目 规格
EEG 放大系统 Biosemi ActiveTwo（128 通道系统，实验选用其中 32 导）
电极 主动电极（active electrodes），按国际 10-20 扩展系统放置
原始采样率 512 Hz（EEG 与外周通道同步）
发布采样率 预处理版统一 128 Hz
外周传感器 EOG 电极 ×2、EMG 电极 ×2、GSR 传感器、呼吸带、光电容积描记（BVP）、温度探头
刺激呈现 60 秒音乐视频（屏幕呈现 + 音频），前置 3 秒基线（发布数据内嵌）

§3.10 深度溯源链

  1. 刺激筛选：从 last.fm 检索带情感标签的音乐视频 → 视频高光检测（与柏林工业大学合作完成镜头边界检测）→ 在线评估工具预筛选 → 确定 40 段一分钟片段论文致谢。
  2. 信号采集：QMUL 实验室内 Biosemi ActiveTwo 同步记录 32 导 EEG + 8 通道外周生理；22 人加录正面视频。
  3. 主观标注：每段视频后 SAM 自评（4 维 1-9 分 + familiarity 1-5 分）。
  4. 预处理发布：官方统一降采样至 128 Hz、裁剪为 63 秒（3 秒基线 + 60 秒视频）的 40×40×8064 数组分发。
  5. 访问控制：EULA 签署 + 在线申请审核后发放下载凭证官方 EULA。

各环节证据强度一览：

环节 证据来源 证据强度
实验范式与评分维度 原始论文（IEEE TAC 2012） 强（同行评审原始文献）
设备与采样率 论文 + 多篇独立使用论文交叉一致 强
通道顺序 官方文档 + 复现管线（TSception）一致 强
数据包大小 社区教程报道，官方页为准 中（量级可信，精确值未核实）
采集逐月时间线 官方未记载 弱（本页不作断言）

§4 数据结构

§4.0 目录树

下载并解压官方数据包后（以预处理 MATLAB 版 + Python 版为例）：

deap/
├── data_preprocessed_matlab/          # MATLAB 预处理版（128 Hz）
│   ├── s01.mat                        # 受试者 01：data (40×40×8064), labels (40×4)
│   ├── s02.mat
│   ├── ...
│   └── s32.mat                        # 受试者 32
├── data_preprocessed_python/          # Python 预处理版（128 Hz）
│   ├── s01.dat                        # pickle 字典：{'data': (40,40,8064), 'labels': (40,4)}
│   ├── ...
│   └── s32.dat
├── data_original_bdf/                 # 原始 BDF（512 Hz，需自行预处理）
│   ├── s01.bdf
│   ├── ...
│   └── s32_BDFplus_EEG_and_peripheral_channels.bdf
├── participant_ratings.pdf            # 全部自评维度明细（含 familiarity）
├── participant_questionnaire.pdf      # 问卷与逐人同意信息
├── video_list.pdf                     # 40 段刺激视频清单
├── Questionnaires/                    # 问卷原始数据包
├── Video_Saliency/                    # 视频显著性数据包
└── DEAP_GENEVA/                       # 基因数据包（部分受试者）

实际解压后的文件名与子目录以官方发布为准；上图为社区使用中最常见的结构DeepWiki/TSception。

§4.1 DAIMS 字段字典

以预处理版单个受试者文件（sNN.mat / sNN.dat）为单位的 8 列字段字典：

字段名 类型 说明 示例值 AI 用途 观测误差 信息性缺失编码 取值范围
data[trial] int 索引 试验编号，0-39 对应 40 段视频 17 样本组织、分组划分 无 无 0-39
data[trial][0:32] float 数组 32 通道 EEG 信号，每通道 8,064 采样点 data[17][0] 即 Fp1 导联波形 模型主输入 电极接触/个体导联差异 无 原始 μV 量级连续值
data[trial][32:33] float 数组 水平眼电 hEOG 眨眼时呈大振幅方波状 伪迹去除/眼动特征 眨眼伪迹强 无 连续值
data[trial][33:34] float 数组 垂直眼电 vEOG 同上 同上 同上 无 连续值
data[trial][34:35] float 数组 颧肌肌电 zEMG 微笑时激活 面部活动特征/伪迹 肌电噪声大 无 连续值
data[trial][35:36] float 数组 斜方肌肌电 tEMG 肩颈紧张时激活 同上 同上 无 连续值
data[trial][36:40] float 数组 GSR、呼吸带、BVP、皮温（各 1 导） GSR 缓慢上升曲线 外周生理特征 传感器漂移 无 连续值
data[trial][:, 0:384] float 切片 前 3 秒基线段（384 = 3 × 128） — 基线校正参考 — 无 采样点 0-383
labels[trial][0] float 效价 valence 自评分 6.4 分类/回归标签 主观噪声 无 1-9
labels[trial][1] float 唤醒度 arousal 自评分 3.2 分类/回归标签 主观噪声 无 1-9
labels[trial][2] float 支配度 dominance 自评分 5.0 次要标签 主观噪声 无 1-9
labels[trial][3] float 喜好度 liking 自评分 6.1 次要标签 主观噪声 无 1-9
familiarity —（不在 labels 内） 刺激熟悉度 1-5 分，存于问卷文件 2 辅助协变量 主观噪声 需关联问卷文件 1-5

§4.2 官方 32 通道 EEG 通道速查表

预处理数据的通道 0-31 按下表顺序排列（官方顺序，非常规 10-20 排序，Fz/Cz 列于末尾——预处理前务必核对，见坑点 4）：

索引 通道名 脑区 索引 通道名 脑区
0 Fp1 额极（左） 16 PO4 枕顶（右）
1 AF3 前额（左） 17 O2 枕（右）
2 F3 额背外侧（左） 18 P4 顶（右）
3 F7 额下前（左） 19 P8 顶颞后（右）
4 FC5 额中央（左） 20 CP6 中央顶（右）
5 FC1 额中央内侧（左） 21 CP2 中央顶内侧（右）
6 C3 中央（左） 22 C4 中央（右）
7 T7 颞中（左） 23 T8 颞中（右）
8 CP5 中央顶后（左） 24 FC6 额中央（右）
9 CP1 中央顶内侧（左） 25 FC2 额中央内侧（右）
10 P3 顶（左） 26 F4 额背外侧（右）
11 P7 顶颞后（左） 27 F8 额下前（右）
12 PO3 枕顶（左） 28 AF4 前额（右）
13 O1 枕（左） 29 Fp2 额极（右）
14 Oz 枕中线 30 Fz 额中线
15 Pz 顶中线 31 Cz 中央中线

该顺序覆盖国际 10-20 扩展系统左右对称的 30 导加两条中线导联，是构造头皮拓扑图、空间滤波（CSP/Laplacian）与左右脑不对称特征的基础TSception 通道重排实现。

§4.3 标签分布

效价与唤醒度评分整体集中于量表中段，高低两端的极端样本较少。以某微状态研究为例：在全部 1,280 个试验中按 4.5 为界切分，高效价 736 个、低效价 544 个（约 57.5% : 42.5%）Frontiers Psychol 2022。以固定阈值 5 切分时同样存在类别不均衡，个别受试者的评分可能全落于单侧。使用个体中位数切分可平衡两类样本但会改变标签语义（见坑点 3）。

§4.4 关键统计

统计项 数值 说明
受试者 32 人 16 男 16 女，17-37 岁
每人试验数 40 一对一对应 40 段视频
试验总样本总数 1,280 32 × 40
单试验时长 63 秒（3 秒基线 + 60 秒视频） 发布数据内嵌 3 秒基线
采样点/通道 8,064 63 s × 128 Hz
发布采样率 128 Hz 采集为 512 Hz
EEG 总有效信号时长 约 21.3 小时 1,280 × 60 s（按发布数据推算）

§4.5 数据层级

数据集（1,280 trials）
└── 受试者（32 人，每人 1 个文件 s01-s32）
    └── 试验（40 trials，对应 40 段视频）
        └── 通道（40 = 32 EEG + 8 外周）
            └── 采样点（8,064 = 3 s 基线 384 + 60 s 视频 7,680）

层级意义：任何"按人划分"（LOPO）或"按试验划分"的操作都发生在第二、三层；跨层混洗是数据泄漏的主要来源（见坑点 1）。

§4.6 缺失值与信息性缺失

缺失情况 类型 处理建议
预处理版 data/labels 数组 无缺失值 全量 32 人 × 40 试验完整
面部视频缺 10 人 信息性缺失（知情同意范围差异） 多模态实验须按 22 人子集另设协议，不可把"无视频"当特征
基因数据仅部分人 信息性缺失 关联分析限定于有基因数据的子集
familiarity 不在 labels 内 结构性缺失 需从 participant_ratings/问卷文件关联获取

EULA 规定：仅在出版物中使用特定受试者的生理/音视频记录时，须该受试者单独同意；逐人同意信息在问卷文件中官方 EULA。

§5 数据划分与使用建议

§5.1 官方划分

官方未提供任何 train/test 划分。1,280 个试验仅按受试者（32 个文件）与视频（40 段）两个自然维度组织。所有文献中的划分均为社区自定义。

§5.2 社区惯例划分

协议 做法 典型性能区间 使用场景
Subject-dependent（被试内） 每名受试者内部按试验划分（常配 10 折交叉验证） 效价/唤醒度二分类 90%-99% 个性化情绪识别、算法原型迭代
Leave-One-Subject-Out（LOPO） 留一受试者作测试，31 人训练，循环 32 次 55%-70% 量级 跨被试泛化、在线 BCI
跨数据集 DEAP 训练 → DREAMER/SEED 测试 显著低于同库 LOPO 域自适应/迁移学习

§5.3 泄漏风险（重点）

  1. 被试信息泄漏：把 1,280 个试验随机混洗后划分，同一受试者的试验同时出现在训练与测试集——被试的脑电个体特征（频谱形态、阻抗特征）被模型"记住"，性能虚高。任何报告跨被试能力的模型都必须用 LOPO 或 GroupKFold。
  2. 归一化泄漏：在全体数据上先算均值/方差再标准化，测试集统计信息泄入训练过程。标准化必须仅在训练折内拟合。
  3. 滑窗泄漏：60 秒试验切 1-2 秒滑窗后随机划分，同一试验的相邻窗口分属训练/测试两侧，窗口间高度自相关。窗级划分的准确率不能与试验级划分直接比较。

§5.4 交叉验证建议

# 按受试者分组的 5 折交叉验证（GroupKFold），保证同一受试者的试验不跨折
import numpy as np
from sklearn.model_selection import GroupKFold

X = np.random.rand(1280, 10)            # 演示用随机数据：1,280 个试验的特征
y = np.random.randint(0, 2, 1280)       # 演示用随机数据：二分类标签
groups = np.repeat(np.arange(1, 33), 40)  # 受试者 id：每人 40 个试验

gkf = GroupKFold(n_splits=5)
for train_idx, test_idx in gkf.split(X, y, groups):
    # 训练折内拟合标准化器，再 transform 到测试折
    ...

§5.5 外部验证建议

跨数据集验证首选 DREAMER（Zenodo 公开、获取零门槛），但注意两库 EEG 通道交集仅 4 导，多数工作退化为在共享通道上提取谱特征；SEED 系列通道数更多（62 导）但离散标签体系与 DEAP 连续自评不同构，需先统一任务定义。跨库实验务必报告通道对齐方案与重采样细节。

§6 AI 就绪指南 ⭐

§6.0 云端快速启动

DEAP 受 EULA 约束不可公开再分发，因此无法提供一键 Colab 数据加载。云端可行路径：

  1. 在本地完成 EULA 申请，获得下载凭证后下载 data_preprocessed_python.zip（约 2.5 GB）；
  2. 上传至 Google Drive / 私有云盘，在 Colab 中挂载（drive.mount）；
  3. 按 §6.1 的代码加载数据。切勿将数据上传至任何公开仓库或网盘分享链接（EULA 第 3、4 条明确禁止）。

§6.1 快速上手

代码预期目录结构：假设你已把 data_preprocessed_python/ 放在 data_root 指向的目录下，data_root/s01.dat 至 data_root/s32.dat 共 32 个文件。最小可用子集 = 单个受试者文件（s01.dat，内含 40 个试验）。以下代码加载一个受试者并取出信号与标签：

# 目录结构预期：data_root/s01.dat ... data_root/s32.dat
# data_root 拼接关系：DATA_ROOT + f"s{subject_id:02d}.dat"
# 最小可用子集：仅 s01.dat（40 trials × 40 ch × 8064 samples）
import pickle
import numpy as np

DATA_ROOT = "./data_preprocessed_python/"   # 改为你的目录

def load_subject(subject_id: int):
    path = f"{DATA_ROOT}s{subject_id:02d}.dat"
    with open(path, "rb") as f:
        blob = pickle.load(f, encoding="latin1")
    data   = blob["data"]     # (40, 40, 8064) float64：40 trials × 40 ch × 8064 samples
    labels = blob["labels"]   # (40, 4)：valence, arousal, dominance, liking（1-9）
    return data, labels

data, labels = load_subject(1)
eeg   = data[:, :32, 3*128:]   # 仅 EEG、去掉前 3 秒基线 → (40, 32, 7680)
periph = data[:, 32:, 3*128:]  # 8 通道外周生理
print(eeg.shape, periph.shape, labels.shape)  # (40,32,7680) (40,8,7680) (40,4)

§6.2 数据获取

步骤 操作 说明
1 阅读 EULA 仅限学术研究；禁止商业/军事用途；禁止再分发
2 由机构永久职位人员打印签署 EULA 最多登记 5 名同机构研究者；须用机构邮箱并附能验证职位的网页
3 扫描后经官方页面在线申请服务器上传 审批通过后发放用户名密码
4 在下载页下载所需数据包 按 §3.0 矩阵选择版本
5 使用时在论文中致谢并引用指定论文 EULA 第 5 条强制要求

资格注意：EULA 必须由拥有永久职位的研究者签署，学生不可自行签署；用户名密码不得外借（EULA 第 2、4 条）。

§6.3 预处理全流程

官方预处理版已做降采样（512→128 Hz）与基础整理，但眼电/肌电伪迹并未彻底清除，滤波与伪迹处理仍需自行完成。以下是从加载到 DE 特征的完整可运行流程：

import numpy as np
from scipy.signal import butter, sosfiltfilt, welch

FS = 128  # 发布采样率

def bandpass(x, lo, hi, fs=FS, order=4):
    """零相位带通滤波：x 形状 (n_trials, n_ch, n_samples)"""
    sos = butter(order, [lo, hi], btype="band", fs=fs, output="sos")
    return sosfiltfilt(sos, x, axis=-1)

def preprocess_subject(data, labels):
    # 1) 去基线：丢弃前 3 秒（384 点），只保留 60 秒视频段
    eeg = data[:, :32, 3*128:].astype(np.float64)

    # 2) 通用带通 4-45 Hz（压制漂移与工频以上噪声；社区常用配置）
    eeg = bandpass(eeg, 4.0, 45.0)

    # 3) 简易伪迹处理：按通道 z-score 截断极端幅值（眼电/运动伪迹粗筛）
    mu, sd = eeg.mean(axis=-1, keepdims=True), eeg.std(axis=-1, keepdims=True)
    eeg = np.clip(eeg, mu - 4*sd, mu + 4*sd)

    # 4) 五频带微分熵（DE）特征——EEG 情绪识别的标准输入
    bands = {"delta": (1, 4), "theta": (4, 8), "alpha": (8, 14),
             "beta": (14, 31), "gamma": (31, 50)}
    feats = []
    for lo, hi in bands.values():
        seg = bandpass(eeg, lo, hi)
        # DE ≈ 0.5 * log(2*pi*e*Var)：对近似高斯带限信号成立
        var = seg.var(axis=-1)                       # (40, 32)
        feats.append(0.5 * np.log(2 * np.pi * np.e * var))
    de = np.stack(feats, axis=-1)                    # (40, 32, 5)

    # 5) 二值化标签（固定阈值 5；个体中位数方案见坑点 3）
    y_val = (labels[:, 0] > 5).astype(int)
    y_aro = (labels[:, 1] > 5).astype(int)
    return de.reshape(40, -1), y_val, y_aro

进阶路线：原始 BDF 版用 MNE-Python 读取（mne.io.read_raw_bdf），重参考为共平均，ICA 去眼电后再降采样，可显著提升信号质量，代价是约 20 GB 的存储与更长的处理时间。

原始 BDF 版的典型处理骨架（供有完整信号处理需求的团队参考）：

# 原始 BDF 路线：data_original_bdf/sNN.bdf（512 Hz，32 EEG + 8 外周通道）
import mne

raw = mne.io.read_raw_bdf("data_original_bdf/s01.bdf", preload=True)
# 1) 重参考：EEG 常用共平均参考（官方未固定参考方案，需在论文中声明）
eeg_chs = mne.pick_types(raw.info, eeg=True, exclude=[])
raw.set_eeg_reference("average", ch_type="eeg")
# 2) 带通滤波（0.5-45 Hz，压制漂移与高频肌电）
raw.filter(0.5, 45.0, fir_design="firwin")
# 3) ICA 去眼电（以 vEOG/hEOG 通道作 EOG 检测基准）
ica = mne.preprocessing.ICA(n_components=32, random_state=97, max_iter="auto")
ica.fit(raw)
eog_idx, _ = ica.find_bads_eog(raw, ch_name=["VEOG", "HEOG"])
ica.exclude = eog_idx
raw = ica.apply(raw)
# 4) 降采样至 128 Hz，与官方预处理版对齐
raw.resample(128)
# 5) 按试验时刻裁剪 60 秒段（事件时刻见官方文档/问卷文件）

原始版不提供逐试验事件注记文件，试验对齐需依据官方文档说明的时间信息自行实现；无特殊理由时建议直接使用预处理版。

§6.4 PyTorch DataLoader

<details>
<summary>完整 Dataset 类 + DataLoader 实例化代码（点击展开）</summary>

# 目录结构预期：DATA_ROOT/s01.dat ... DATA_ROOT/s32.dat
# 依赖：numpy, torch, scipy；数据为官方 data_preprocessed_python 版
import pickle
import numpy as np
import torch
from torch.utils.data import Dataset, DataLoader
from sklearn.model_selection import GroupKFold

DATA_ROOT = "./data_preprocessed_python/"
LABEL_DIM = 0          # 0=效价 1=唤醒度 2=支配度 3=喜好度
THRESHOLD = 5          # 固定阈值二值化
SEG_SEC   = 4          # 每个样本段长（秒）
FS        = 128

def load_subject(subject_id: int):
    with open(f"{DATA_ROOT}s{subject_id:02d}.dat", "rb") as f:
        blob = pickle.load(f, encoding="latin1")
    eeg = blob["data"][:, :32, 3*FS:].astype(np.float32)   # 去 3 秒基线
    y   = (blob["labels"][:, LABEL_DIM] > THRESHOLD).astype(np.int64)
    return eeg, y                                          # (40,32,7680), (40,)

def make_segments(eeg, y, subject_id):
    seg_len = SEG_SEC * FS                                 # 4 s = 512 点
    X, yy, g = [], [], []
    for t in range(eeg.shape[0]):
        trial = eeg[t]
        n_seg = trial.shape[-1] // seg_len
        for s in range(n_seg):                             # 去尾不足段
            X.append(trial[:, s*seg_len:(s+1)*seg_len])
            yy.append(y[t]); g.append(subject_id)
    return np.stack(X), np.asarray(yy), np.asarray(g)      # (N,32,512), (N,), (N,)

class DeapDataset(Dataset):
    def __init__(self, X, y):
        self.X = torch.from_numpy(X).unsqueeze(1)   # (N,1,32,512) ← 通道在前
        self.y = torch.from_numpy(y)
    def __len__(self):
        return len(self.y)
    def __getitem__(self, idx):
        return self.X[idx], self.y[idx]

def build_loaders(test_subject_id: int, batch_size: int = 64):
    """LOPO：留一受试者作测试。返回 (train_loader, test_loader)"""
    Xs, ys, gs = [], [], []
    for sid in range(1, 33):
        eeg, y = load_subject(sid)
        X, yy, g = make_segments(eeg, y, sid)
        Xs.append(X); ys.append(yy); gs.append(g)
    X = np.concatenate(Xs); y = np.concatenate(ys); g = np.concatenate(gs)

    train_mask, test_mask = (g != test_subject_id), (g == test_subject_id)
    # 关键：仅在训练集上拟合标准化统计量，防止泄漏
    mu, sd = X[train_mask].mean(axis=(0, -1), keepdims=True), X[train_mask].std(axis=(0, -1), keepdims=True) + 1e-8
    X = (X - mu) / sd

    train_ds = DeapDataset(X[train_mask], y[train_mask])
    test_ds  = DeapDataset(X[test_mask],  y[test_mask])
    return (DataLoader(train_ds, batch_size=batch_size, shuffle=True,  num_workers=2),
            DataLoader(test_ds,  batch_size=batch_size, shuffle=False, num_workers=2))

if __name__ == "__main__":
    train_loader, test_loader = build_loaders(test_subject_id=1)
    xb, yb = next(iter(train_loader))
    print(xb.shape, yb.shape)   # torch.Size([64,1,32,512]) torch.Size([64])

</details>

§6.5 八大坑点

⚠️ 坑点 1：试验级随机划分把受试者"指纹"泄漏进测试集（分类：数据泄漏）

问题：把 1,280 个试验随机混洗后切训练/测试集，同一受试者的试验同时出现在两侧。每个人的脑电有稳定的个体特征（频谱形态、导联间相位关系），模型记住"这是谁"即可拿到大量分数，测的是被试识别而非情绪识别。
症状：报告 90%+ 的"情绪分类"准确率，换成从未见过的人立刻掉到 60% 量级；训练集曲线与测试集曲线差距很小但换被试就崩。
解决：

  1. 简单方法：一律按受试者分组划分——sklearn GroupKFold（groups=受试者 id）或 LOPO（32 折留一），见 §5.4 代码。
  2. 进阶方法：LOPO + 折内标准化。所有统计量（均值/方差/PCA）仅在训练折拟合；报告 32 折均值 ± 标准差，并单列每名被试的分数以暴露离群被试。
  3. SOTA 方法：把"被试无关"设为默认协议，配合域对抗（DANN/对抗判别器）、元学习（MAML）或预训练-微调（如跨库自监督）提升 LOPO 下限，并在论文中同时报告 subject-dependent 与 subject-independent 两套数字。
    参考：MDPI Sensors 2026——被试身份混淆系统性夸大 DEAP/DREAMER 结果；Frontiers Psychol 2023 综述——协议不统一导致数字不可比。

⚠️ 坑点 2：不声明评估协议就横向比较准确率（分类：评估误用）

问题：文献中既有被试内 10 折（可到 97%+），也有 LOPO（多为 60% 量级），还有窗级划分、不同阈值、不同通道子集。把 99% 的论文与 65% 的论文放进同一张表比较，是 DEAP 文献最普遍的方法学错误；综述已明确记录此类不可比数字（例如有 2D CNN 报告 99.98-99.99%）。
症状：复现他人论文数字对不上，误差远超随机波动；或用"更高准确率"作为投稿主张却无法与基线公平对齐。
解决：

  1. 简单方法：每张结果表都标注协议四要素——划分方式（被试内/LOPO）、窗长与滑步、二值化阈值、通道子集；引用他人数字时逐条核对协议再收录。
  2. 进阶方法：为同一模型跑两套协议（subject-dependent 10 折 + LOPO）并报告 95% 置信区间（对被试维度做 bootstrap），让"个性化增益"本身成为可解释的量。
  3. SOTA 方法：采用社区公认的固定切分（如 TSception 等工作公开的预处理产物）或预注册协议；与至少 3 个已发表基线在完全相同的数据产物上对比，报告显著性检验（配对 t 检验按被试聚合）。
    参考：Frontiers Neurosci 2026（BRAD-Net，附完整对比表）；Frontiers Psychol 2023 综述。

⚠️ 坑点 3：labels 只有 4 维且二值化阈值会改变任务定义（分类：标签理解）

问题：labels 矩阵按 [valence, arousal, dominance, liking] 排列，1-9 连续分；familiarity（1-5 分）不在其中。二值化时"固定阈值 5"与"个体中位数"两种流派会产出不同分布与不同难度的任务：固定阈值保留量表语义但类别不均衡（个别被试全落单侧），个体中位数平衡两类却把任务改写为"预测被试高于自身平均的反应"。
症状：换阈值后准确率大幅漂移却不知原因；把 familiarity 当第 5 维标签时报 IndexError；回归任务里 1-9 分的评分聚集于中段，MSE 被中段样本主导。
解决：

  1. 简单方法：主实验用固定阈值 5（社区默认，与多数文献可比），同时报告每类样本量与每个被试的正例比例；需要 familiarity 时从 participant_ratings 文件关联。
  2. 进阶方法：阈值消融——同一模型分别用固定 5 与个体中位数跑 LOPO，把差异作为结果的一部分报告；不平衡时用 AUC/F1 而非 accuracy。
  3. SOTA 方法：放弃硬二值化，直接做 1-9 分回归并报告 Pearson 相关/平方误差，或三分类（低/中/高，按三分位）；情绪维度间做多任务学习（共享编码器 + 效价/唤醒度/支配度多头），利用维度相关性正则化。
    参考：TSception 数据管线（阈值 5 与标签选择逻辑）；EEG-SCMM（固定阈值 5 的跨库设定）。

⚠️ 坑点 4：忘了切前 3 秒基线 + EEG 通道顺序非常规（分类：预处理陷阱）

问题：data 数组每试验 8,064 点 = 前 384 点基线 + 7,680 点视频段，基线不切就进模型等于给信号加了一个与情绪无关的阶跃伪迹。同时 32 个 EEG 通道的排列不是常见工具默认的 10-20 顺序——Fz、Cz 排在最后两位，不同代码库（如 TSception 的 TS/O 两种排序）还会自行重排，通道名与物理位置一旦错位，空间滤波与拓扑图全部失真。
症状：基线未切时频谱在 0 Hz 附近异常堆积、被试间差异被放大；画头皮拓扑图时枕区（O1/O2）出现在额区位置；跨论文对比特征重要性时导联名对不上。
解决：

  1. 简单方法：加载后统一执行 eeg = data[:, :32, 3*128:]；把官方通道顺序写进配置文件：Fp1, AF3, F3, F7, FC5, FC1, C3, T7, CP5, CP1, P3, P7, PO3, O1, Oz, Pz, PO4, O2, P4, P8, CP6, CP2, C4, T8, FC6, FC2, F4, F8, AF4, Fp2, Fz, Cz。
  2. 进阶方法：用 MNE 构造 montage（mne.channels.make_standard_montage("standard_1005")）并按上表重命名通道，任何空间操作前先 set_montage 校验，绘制一次拓扑图人工确认枕区在后方。
  3. SOTA 方法：在数据管线入口写通道校验单元测试（通道数 = 32、顺序哈希固定、拓扑图快照比对），CI 中运行；多人协作仓库禁止在特征提取代码内散落硬编码索引。
    参考：TSception prepare_data_DEAP.py（基线切片与两种通道排序）；社区教程汇总。

⚠️ 坑点 5：MATLAB v7.3 格式 .mat 读不出来或 labels 维度错乱（分类：工程陷阱）

问题：官方 MATLAB 预处理版的 .mat 是 v7.3（HDF5）格式，scipy.io.loadmat 直接报 NotImplementedError；改用 h5py 后，MATLAB 的数组是按"列优先"写入的，且 labels 若含引用（ref）会读出形状 (1,4) 的嵌套数组，不解析就出现标签整体转置/错乱。Python 版（.dat pickle）没有此问题但编码是 latin1。
症状：scipy.io.loadmat 抛异常；h5py 读出的 data 形状是 (8064, 40, 40)（维序颠倒）；labels 打印出来是对象引用而非数值。
解决：

  1. 简单方法：直接用 Python 版数据：pickle.load(open(path, "rb"), encoding="latin1")，字典含 data 与 labels，零转换成本（§6.1 代码即此方案）。
  2. 进阶方法：坚持 MATLAB 版时用 h5py 并统一转置：data = np.transpose(f["data"], (2, 1, 0))；遇 ref 逐个解析 f[ref[i]][0] 还原为 (4,) 向量。
  3. SOTA 方法：写一次性的"版本中立"加载器（探测文件魔数决定走 scipy/h5py/pickle 分支），输出统一的 {"data": ..., "labels": ...} 契约，并用 3 个断言（形状 (40,40,8064)、labels 值域 [1,9]、每试验非全零）作为管线自检。
    参考：社区实践（h5py ref 解析与维度陷阱）。

⚠️ 坑点 6：外周通道（EOG/EMG）与视频内容耦合，混入即"偷看答案"（分类：偏倚陷阱）

问题：后 8 个通道是眼电、肌电、皮电、呼吸、BVP、皮温。受试者看视频时的眨眼、微笑、皱眉与视频内容直接相关——这些通道更像"行为反应记录"而非"内部状态"，把它们与 EEG 混在一起训练，模型可能只学到"看搞笑视频会笑"这类刺激-反应关联，情绪识别的结论被过度高估，且无法迁移到无视频场景。
症状：加入外周通道后准确率异常提升；特征重要性分析显示 EOG/EMG 特征占据前列；把外周通道换成打乱的标签后性能仍显著高于随机。
解决：

  1. 简单方法：主实验只用 data[:, :32, :] 的 32 导 EEG；把多模态结果单独列出并明确标注包含行为类通道。
  2. 进阶方法：消融设计——EEG-only / 外周-only / 全模态三组对比；再做一个"刺激置换检验"：保持信号不变、打乱试验标签与视频的对应关系后重训，观察性能衰减幅度以量化刺激耦合的贡献。
  3. SOTA 方法：模态解耦建模（把"刺激诱发反应"与"个体状态"分解为独立子空间），或在训练中对行为类通道做条件化 dropout，使模型显式依赖生理内源特征；跨库验证时只保留 EEG 通道以避免外周传感器差异带来的域偏移。
    参考：社区经验（外周通道混入导致虚高的案例讨论）。

⚠️ 坑点 7：被试身份混淆让 qEEG 模型学到"谁在看"而非"感受如何"（分类：偏倚陷阱）

问题：2026 年的同行评审分析表明，在 DEAP/DREAMER 上常用的定量 EEG 特征管线中，特征表的大部分效应量来自被试间稳定差异（个体频谱基线），情绪标签只是与之相关联——被试身份混淆（subject identity confounds）。即使做了 LOPO，若模型仍能通过特征空间中的个体分布残留辨识被试群体，跨被试结论依旧不可靠。
症状：LOPO 分数仍明显高于"标签全打乱"的对照；不同被试的特征分布明显分簇；换个采集站点/设备族，性能断崖式下跌。
解决：

  1. 简单方法：加一个"身份可解码性"对照实验——用同一特征训练被试分类器（32 类），若被试分类准确率极高而情绪分类准确率与其高度相关，需重新解读结果。
  2. 进阶方法：特征层去身份化：逐被试 z-score（消除个体频谱基线）、按被试配对组合（trial 内对减）构造对比特征，或训练时加入梯度反转层对抗被试判别器。
  3. SOTA 方法：以"身份混淆暴露"为设计原则的评估框架：同时报告情绪解码、被试解码、跨库迁移三个指标并要求三者分离；结合统计显著性校正（FDR）与伪复制检验（epoch 级 p 值不作为推断依据）。
    参考：MDPI Sensors 2026——Subject Identity Confounds qEEG Emotion Recognition on DEAP and DREAMER。

⚠️ 坑点 8：EULA 合规红线——再分发、商业用途、密码外借（分类：工程陷阱）

问题：DEAP 的 EULA 与一般开源数据集完全不同：仅限学术研究（明确禁止商业与军事应用）、禁止以任何形式再分发数据或其子集（公开网盘/仓库/论文附件都算）、须由永久职位人员签署、出版物使用特定受试者记录需该受试者单独同意。AI 团队常见的"把预处理后的 npy 推上 Hugging Face 方便同事下载"在 DEAP 上构成违约。
症状：合规审计时发现数据出现在公开仓库；合作方要求把模型与数据打包销售；论文用了特定被试的面部视频但未核对该被试的同意范围。
解决：

  1. 简单方法：内部访问控制——数据存放于组内受权限保护的存储，登记所有可访问者（EULA 最多 5 名登记研究者），仓库 .gitignore 排除数据目录。
  2. 进阶方法：发布模型/代码时附带"数据契约"文档（加载器 + 格式说明，不含数据本身）；引用与致谢严格按 EULA 第 5 条执行；对外演示只用合成数据或脱敏演示样本。
  3. SOTA 方法：建立数据治理台账（谁、何时、哪个 EULA 版本、用于哪个项目），EULA 修订时（第 6 条允许管理员修改）及时评估是否继续使用；商用需求转而寻求权利方单独授权或改用开放替代数据集（如 DREAMER）。
    参考：DEAP 官方 EULA 全文。

§6.6 数据增强

类别 手段 说明
✅ 安全 时间滑窗切片（1-4 秒，重叠 50%） 增加样本量，标签继承试验级标签；注意窗级划分的泄漏（坑点 1）
✅ 安全 高斯噪声注入（σ 为信号 std 的 1%-5%） 提升对电极噪声的鲁棒性
✅ 安全 通道随机丢弃（模拟电极脱落） 训练 EEGNet 类模型时常用
✅ 安全 时间轴小幅平移/重采样（±0.5 s） 对齐抖动鲁棒
❌ 危险 跨被试混拼后随机打乱增强 破坏被试分组，制造泄漏（坑点 1）
❌ 危险 左右脑区通道对调/信号反转 破坏神经生理语义（额区 alpha 不对称性等方向性特征）
❌ 危险 对外周通道做时域镜像 GSR/呼吸的单向趋势被破坏，物理意义丧失

§6.7 模型推荐

模型 类型 适配输入 社区表现 备注
EEGNet 轻量 CNN (1, 32, N) 原始波形 被试内可用，LOPO 偏弱 参数少，适合快速基线
DeepConvNet / ShallowConvNet CNN 原始波形 经典基线 Schirrmeister 系架构，脑电解码通用
TSception 时-空卷积 按其 TS 顺序排列的 28/32 通道 DEAP 上有公开预处理管线 自带数据准备脚本，适合对照
DGCNN 图神经网络 DE 特征 (32, 5) 文献中 LOPO 表现较稳 需构造通道拓扑图
Conformer / Transformer 系 自注意力 DE 特征或原始波形 被试内强，LOPO 需域自适应 数据量小（1,280 试验），注意过拟合
SVM/逻辑回归 + DE 特征 传统 ML DE 特征 LOPO 下 55%-70% 量级 基线首选，性价比最高

模型选择原则：先在 LOPO 协议下建立传统 ML 基线，再评估深度模型的增益是否值得其方差（见坑点 2）。

§6.8 硬件需求

任务 最低配置 推荐配置
预处理（32 人全量 DE 特征） 4 核 CPU + 16 GB 内存，10 GB 磁盘 8 核 CPU + 32 GB 内存，50 GB 磁盘（含原始 BDF）
传统 ML 基线 CPU 即可 8 核 CPU
深度模型（EEGNet 级） 单卡 6 GB 显存 单卡 12 GB 显存
深度模型（Transformer 级 + LOPO 全量） 单卡 12 GB 显存 单卡 24 GB 显存（LOPO 32 折循环耗时主要在 I/O）

§6.9 评估指标代码

from sklearn.metrics import (accuracy_score, f1_score, roc_auc_score,
                             balanced_accuracy_score, cohen_kappa_score)
import numpy as np

def evaluate_lopo(all_y_true, all_y_pred, all_subjects):
    """按被试聚合的 LOPO 评估：返回被试级指标分布，而非试验级混合值"""
    per_subject_acc = []
    for sid in np.unique(all_subjects):
        m = all_subjects == sid
        per_subject_acc.append(balanced_accuracy_score(all_y_true[m], all_y_pred[m]))
    per_subject_acc = np.asarray(per_subject_acc)
    return {
        "acc_mean±std":   f"{per_subject_acc.mean():.3f} ± {per_subject_acc.std():.3f}",
        "trial_acc":      accuracy_score(all_y_true, all_y_pred),
        "macro_F1":       f1_score(all_y_true, all_y_pred, average="macro"),
        "cohen_kappa":    cohen_kappa_score(all_y_true, all_y_pred),
        "best/worst_sub": f"{per_subject_acc.max():.3f} / {per_subject_acc.min():.3f}",
    }
# 报告建议：主指标用被试级 balanced accuracy 均值 ± 标准差（坑点 2 的协议可分性），
# 不平衡时以 macro-F1 与 kappa 辅助；避免只给一个试验级混合 accuracy。

§6.10 MLOps 笔记

  1. 数据版本台账：DEAP 官方无版本号更新机制，应在内部记录下载日期与包校验和（sha256sum），防止多年后无法追溯实验用数据状态。
  2. 合规即代码：把 EULA 约束写进 CI——检查数据目录不在 git 追踪内、发布工件不含数据文件。
  3. 实验追踪：LOPO 32 折的折级分数全部入库（MLflow/W&B），聚合统计从折级数据重算而非手工抄录。
  4. 协议指纹：每个实验记录协议四要素（划分/窗长/阈值/通道子集）哈希，用于论文复现与团队内数字比对。
  5. 可复现性分层：区分三层可复现物——数据（受 EULA 限制不发布）、代码（发布）、预处理产物清单（发布文件列表与校验和，不发布内容）。

§7 质量评估与局限性

§7.1 已知偏倚

偏倚类型 描述 严重程度 缓解建议
被试同质性 32 人为欧洲城市健康志愿者（16 男 16 女，17-37 岁），人群多样性有限 高 结论限定于健康成人；跨人群使用前做外部验证
自评标注噪声 1-9 分为主观即时评分，个体量表使用习惯差异大 高 阈值消融（坑点 3）；个体内标准化标签
评估协议碎片化 被试内/LOPO、窗级/试验级、不同阈值混用，文献数字不可比 高 固定协议并逐条核对引用数字（坑点 2）
被试身份混淆 qEEG 特征中个体差异主导，情绪信息易被高估 高 身份可解码性对照（坑点 7）
刺激-反应耦合 外周通道与视频内容直接相关，多模态结果含行为信息 中 EEG-only 主实验 + 消融（坑点 6）
标注者=受试者 无标注者间一致性，标签不可交叉验证 中 以维度间一致性（效价-唤醒度相关）作间接佐证

§7.2 标注质量

1,280 个试验由 32 名受试者各自即时自评，无外部复核标注。论文层面通过"评分分布分析 + 评分与 EEG 频段能量的相关性分析"提供效度佐证论文页。社区实践中有两点需要注意：其一，评分分布集中于量表中段，高低两端样本稀少（§4.2）；其二，familiarity 与其他问卷维度需从问卷文件获取，labels 矩阵不含。把自评当作"有噪声的软标签"而非真值，是该数据集正确的使用心态。

标签质量的两个间接校验手段（供团队内部质控）：

校验手段 做法 通过标准
维度间相关一致性 计算效价与喜好度的逐试验相关（两者理论上应正相关） 相关方向与文献一致且个体间稳定
评分-生理相关 复现论文的 EEG 频段能量与评分相关分析 前额 alpha、beta 等方向与原论文一致

§7.3 泛化性

目标场景 失效风险 证据
跨被试（同库） 高：LOPO 下效价/唤醒度二分类普遍跌至 60% 量级 Frontiers Psychol 2023 综述收录的跨被试结果（如集成学习 arousal 65.70%、valence 64.22%）
跨数据集（DEAP→DREAMER/SEED） 高：通道交集小（DEAP∩DREAMER 仅 4 导）、任务定义异构 MDPI Sensors 2026；EEG-SCMM 跨库设定
跨设备（实验室电极帽→消费级设备） 高：导联数、阻抗、参考方式全变 方法学共识，DEAP 无直接证据，属结构性限制
跨人群（健康→患者） 高：受试者均为健康志愿者 §2.4 人群画像

§7.4 伦理与合规

原始采集获得机构伦理批准与参与者知情同意（各论文转述一致）。分发层面：EULA 要求学术用途限定、签署申请、禁止再分发；出版物中使用特定受试者的生理/音视频记录须该受试者单独同意，逐人同意信息见问卷文件官方 EULA。需要特别强调：EEG 与生理信号属于敏感生物特征数据，即使无姓名等直接标识符，仍具备个体可识别潜力（见坑点 7 的被试解码实验），衍生研究应按生物特征数据标准管理。

§7.5 公平性

32 人样本无法支撑性别、年龄、种族维度的分组公平性分析；16 男 16 女的性别均衡是设计使然，但年龄跨度（17-37 岁）窄、地域单一（欧洲城市）。任何"模型公平"的主张在 DEAP 上只能以"被试级性能分布"（§6.9 的 best/worst）形式呈现，不可外推为人群公平性结论。

§7.6 数据漂移

DEAP 是固定快照数据集（2012 年起无版本更新），漂移风险主要来自消费侧：其一，刺激视频的版权状态随时间变化，视频内容本身不可再分发；其二，EEG 设备生态已从实验室电极帽向消费级头环迁移，DEAP 时代的高质量多导联信号与今日可穿戴数据的分布差异日益扩大，模型部署时需面对采集条件漂移而非数据集内部漂移。

§7.7 DAIMS 24 项检查表

# 检查项 状态 说明
1 宽格式 ✅ 单文件内 data/labels 数组结构规整（40×40×8064 / 40×4）
2 唯一标识 ✅ （受试者, 试验）二元组唯一；受试者文件 s01-s32
3 特殊字符 ✅ 纯数值数组，无特殊字符问题
4 重复行 ✅ 无重复试验记录
5 缺失编码 ✅ 预处理数组无缺失值
6 标签标识 ⚠️ labels 列序 [valence, arousal, dominance, liking] 需自行记忆，文件内无列名元数据
7 罕见类分组 ⚠️ 高低评分两端样本少，二分类存在类别不均衡（§4.2）
8 偏倚评估 ⚠️ 官方未提供偏倚分析；社区已有身份混淆等研究（§7.1）
9 数据字典 ✅ 官方文档/论文完整定义通道与标签
10 信息性缺失解释 ✅ 面部视频 22/32 与基因子集的缺失原因（同意范围）可从问卷文件追溯
11 设备记录 ✅ Biosemi ActiveTwo、512 Hz、32+8 通道完整记载
12 共线性 ⚠️ 相邻 EEG 导联强相关；EEG 与外周通道部分共线（唤醒-皮电）
13 编码映射 ✅ 1-9 分制语义明确（SAM 量表）
14 时间戳处理 ⚠️ 无逐试验绝对时间戳；仅相对结构（基线 3 s + 视频 60 s）
15 划分建议 ❌ 官方未提供任何划分，协议需自行构造并声明
16 泄漏讨论 ⚠️ 官方无泄漏指引；本页坑点 1/2 提供完整方案
17 标签分布 ✅ 评分分布可从 participant_ratings 完整还原
18 测量偏倚 ⚠️ 自评量表个体使用差异未做校准（§7.1）
19 外部验证建议 ✅ DREAMER/SEED 跨库路径明确（§5.5）
20 版本记录 ❌ 官方无版本号与变更日志机制
21 预处理脚本 ⚠️ 官方只给数据不给脚本；社区复现管线多但协议各异
22 合规要求 ✅ EULA 条款明确（学术限定/署名/禁止再分发）
23 多模态对齐 ✅ EEG/外周/视频/评分同步采集，逐试验对齐
24 去标识化 ✅ 分发数据不含直接标识符；EEG 本身属敏感生物特征需按 §7.4 管理

DAIMS 评分：17.5 / 24

评分解读：DEAP 在数据组织（宽格式、唯一标识、无缺失）、设备文档、多模态对齐与合规条款上表现优秀，属于"结构极规整"的数据集；失分集中在治理层——无官方划分、无版本记录、无预处理脚本，且自评标签的测量偏倚与身份混淆需要使用者自行识别与处理。它是一份"信号质量高、方法学责任全部转移给使用者"的数据集。

对你意味着什么：（1）上手很快——官方预处理版开箱即用，§6.1 的 20 行代码即可载入第一个受试者；（2）方法学成本不可省——必须自建 LOPO/GroupKFold 划分、折内标准化与协议声明，否则产出的是被试识别模型而非情绪识别模型（坑点 1/2）；（3）治理动作要做在前面——下载日期与校验和入台账、数据不进 git、发布只带代码不带数据（坑点 8）；（4）标签按软标签对待——阈值消融与回归式评估能让你的结论对"二值化流派之争"免疫（坑点 3）。

§7.8 外部验证矩阵

外部数据集/场景 来源机构 评估任务 性能指标 相对内部变化 关键发现
DREAMER（23 人，14 导 EEG+ECG） Khalifa University DEAP 训练 → DREAMER 共享 4 导联上的情绪标记复现 Kruskal-Wallis ε² 等效应量 显著低于 DEAP 同库水平 跨库仅 4 个 EEG 导联可用，特征级复现在共享通道上部分成立MDPI Sensors 2026
DEAP 跨被试协议 社区基准 LOPO 效价/唤醒度二分类 balanced accuracy 相比被试内协议下降约 30 个百分点（97%+ → 65% 量级） 被试身份混淆是被试内协议虚高的主要机制之一Frontiers Psychol 2023；MDPI Sensors 2026

§8 基准性能与生态

§8.1 排行榜

Subject-dependent（被试内，10 折）二分类准确率（同一论文内对比，数值可在其协议内比较）：

排名 模型 效价 (%) 唤醒度 (%) 年份 关键技术 完整引用 代码
1 BRAD-Net 97.44 97.70 2026 双分支 + 脑区约束注意力 Li et al., 2026, Frontiers in Neuroscience. doi:10.3389/fnins.2026.1810609 未公开
2 HA-CapsNet 97.20 97.40 2025 混合注意力胶囊网络 Chen et al., 2025（转引自上表对比） 未公开
3 DAMGCN 96.96 97.17 2024 动态自适应多图卷积 Chen et al., 2024（转引自上表对比） 未公开
4 STC-CNN 96.79 96.89 2023 时空卷积 Li et al., 2023b（转引自上表对比） 未公开
5 TR&CA 95.18 95.58 2023 时序表征与通道注意力 Peng et al., 2023（转引自上表对比） 未公开

Subject-independent（LOPO）二分类准确率：

模型 效价 (%) 唤醒度 (%) 年份 关键技术 完整引用
集成学习 64.22 65.70 2022 多分类器集成 Li et al., 2022（转引自 Frontiers Psychol 2023 综述）
AD-TCN 63.25 64.33 2022 对抗判别-时序卷积网络 He et al., 2022（转引自 Frontiers Psychol 2023 综述）

⚠️ 数值不可直接比较：两表协议完全不同（被试内 vs 跨被试）、特征与二值化阈值各异、部分数字系综述转引而非原始论文核对。跨表比较无意义；同一表内数字也仅在原论文协议内可比（坑点 2）。

§8.2 SOTA 总结与选型建议

被试内协议下 DEAP 已趋近饱和（97%+），继续刷分价值有限且易陷入身份混淆陷阱；跨被试协议下仍有约 30 个百分点的提升空间，是当前真正的方法学前沿。选型建议：（1）以 SVM/逻辑回归 + DE 特征建立 LOPO 基线（55%-70% 量级）；（2）叠加图神经网络（DGCNN 系）或域自适应方法冲击 70%+；（3）所有结果同时报告被试级均值 ± 标准差与身份可解码性对照。

§8.3 评测协议

社区惯用协议要素：划分（subject-dependent 10 折 / LOPO 32 折）、输入（DE 特征 32×5 或原始波形滑窗 1-4 秒）、二值化（固定阈值 5 为主流，个体中位数次之）、指标（准确率为主，建议补 balanced accuracy 与 kappa）。任何基准报告应完整披露四要素。

协议要素 常见取值 报告要求
划分方式 被试内 10 折；LOPO 32 折；试验级随机（不推荐） 必须声明，附分组依据
输入表征 DE 特征（32×5）；原始波形滑窗（1-4 秒）；PSD/小波特征 注明特征提取窗口与频带定义
二值化 固定阈值 5；个体中位数；三分位 注明阈值并报告类别比例
指标 accuracy；balanced accuracy；macro-F1；kappa；AUC 主指标 + 置信区间（按被试聚合）
标准化 折内拟合（正确）；全量拟合（泄漏） 声明拟合范围（坑点 1）
数据集 受试者 特点 与 DEAP 的关系
DREAMER 23 Zenodo 完全公开；ECG 共测 跨库验证首选，通道交集仅 4 导
SEED / SEED-IV 15 62 导；离散 3/4 类标签；3 次会话 离散情绪任务的对照基准
MAHNOB-HCI 27 256 Hz；音视频共录 同代多模态基准，社区活跃度较低
AMIGOS 16+ 组内/个人双情境 社交情境情绪研究

跨库使用注意事项：与 DREAMER 融合时，四导联交集（Fp1、Fp2、F7、F8 一类的前额/颞区导联——具体以两库通道表求交为准）意味着空间分辨率大幅下降，主流做法是在共享导联上提取谱特征而非端到端波形建模MDPI Sensors 2026；与 SEED 系列融合时，离散标签与连续自评不同构，需先决定"分类映射"（如 DEAP 高/低效价 ↔ SEED 正/负）或改做特征级预训练-微调EEG-SCMM。

§8.5 关键论文 Top 6

  1. Koelstra, S. et al., 2012, IEEE Transactions on Affective Computing 3(1):18-31. doi:10.1109/T-AFFC.2011.15 — 数据集原始论文：范式设计、刺激筛选方法与首批单试次分类结果。
  2. Frontiers in Psychology, 2023, 13:1126994. doi:10.3389/fpsyg.2022.1126994 — 深度学习 EEG 情绪识别综述：系统整理 DEAP 上 2017-2022 方法与数字，揭示协议混乱问题。
  3. MDPI Sensors, 2026, 26(17):5327. doi:10.3390/s26175327 — 证明被试身份混淆系统性夸大 DEAP/DREAMER 的 qEEG 情绪识别性能。
  4. Li et al., 2026, Frontiers in Neuroscience. doi:10.3389/fnins.2026.1810609 — BRAD-Net：被试内协议下的高准确率代表与完整基线对比表。
  5. EEG-SCMM, 2024, arXiv:2408.09186 — 跨语料库软对比掩码建模：DEAP↔SEED 跨库迁移的通道对齐方案。
  6. RBTransformer, 2025, arXiv:2511.13954 — 皮层间交互建模：附 DEAP 二分类多维度对比表（subject-dependent 协议）。

§8.6 社区活跃度

DEAP 自 2012 年发布以来保持持续的被引与衍生研究：ACM Digital Library 的被引记录显示 2026 年仍在新增引用ACM DL；GitHub 生态中出现多个可复用预处理管线（如 TSception 的 prepare_data_DEAP.pyDeepWiki）；中文社区有大量从入门到进阶的实战教程（§6.5 各坑点参考）。官方渠道无论坛/issue 跟踪，问题需通过 EULA 上的管理员联系方式沟通。

§8.7 生态快照

资源 类型 链接 推荐理由
官方主页 数据集门户 eecs.qmul.ac.uk/mmv/datasets/deap 唯一权威入口：说明、申请、下载
官方 EULA 许可文本 eula.pdf 使用前必读的 8 条条款
MNE-Python 工具库 mne.tools BDF 读取、montage、ICA 去伪迹的标准工具
TSception 管线 代码仓库 github.com/yi-ding-cs/TSception 自带 DEAP 数据准备脚本（基线/通道排序/滑窗）
pyedflib 工具库 github.com/hbn-fix/pyedflib 原始 BDF 格式读取

§9 相关资源与引用

§9.1 官方资源

资源 链接
数据集官方主页 eecs.qmul.ac.uk/mmv/datasets/deap
下载页（申请通过后访问） eecs.qmul.ac.uk/mmv/datasets/deap/download.html
EULA 许可协议（PDF） eecs.qmul.ac.uk/mmv/datasets/deap/doc/eula.pdf
原始论文（IEEE Xplore，文档号 5871728） dl.acm.org/doi/abs/10.1109/T-AFFC.2011.15

§9.2 社区资源

资源 说明 链接
TSception 数据管线 DEAP 加载/基线去除/通道排序/滑窗的参考实现 DeepWiki 文档
DREAMER 数据集 Zenodo 公开的跨库验证搭档 zenodo.org/records/546113
MNE-Python BDF 读取、montage、ICA 的标准工具 mne.tools
EEG-SCMM 预处理附录 跨库迁移的通道对齐协议范例 arXiv:2408.09186

§9.3 BibTeX 完整引用

@article{koelstra2012deap,
  title   = {DEAP: A Database for Emotion Analysis using Physiological Signals},
  author  = {Koelstra, Sander and M{\"u}hl, Christian and Soleymani, Mohammad
             and Lee, Jong-Seok and Yazdani, Ashkan and Ebrahimi, Touradj
             and Pun, Thierry and Nijholt, Anton and Patras, Ioannis},
  journal = {IEEE Transactions on Affective Computing},
  volume  = {3},
  number  = {1},
  pages   = {18--31},
  year    = {2012},
  month   = jan,
  issn    = {1949-3045},
  doi     = {10.1109/T-AFFC.2011.15}
}

§9.4 引用指南

使用 DEAP 的出版物必须按 EULA 第 5 条引用上述论文；若同时使用了刺激筛选方法或基因数据等衍生资源，建议在正文或附录中注明具体数据包与下载日期。引用格式以目标期刊/会议要求为准，上方 BibTeX 提供了主流引用管理器可直接导入的字段。

三类常见引用情形的写法建议：

  1. 仅用 EEG 预处理版做情绪分类：引用主论文即可；方法学章节注明"官方预处理版，128 Hz，含 3 秒基线，基线已去除"。
  2. 使用原始 BDF 自建预处理：引用主论文 + 方法章节完整披露参考方案、滤波参数与试验对齐方式（原始版无事件注记，披露尤为重要）。
  3. 使用面部视频或基因数据：除主论文外，核对对应被试的同意范围（问卷文件），并在致谢中注明相关数据包；这些子集的使用条款比 EEG 主数据更严格。

§10 AI 使用声明卡

§10.1 AI 模型列表

模型 用途 版本
大语言模型（千方病案写作 agent） 条目初稿撰写、结构化整理、代码示例起草 fast-model（2026-09）

§10.2 AI 参与范围

AI 参与了本页全部章节的初稿撰写（结构规范、文本生成、代码示例、表格整理）；事实核查（WebSearch 检索与来源锚定）由 AI 执行并记录于 FACTS.md；医学与数据工程内容经人工交叉审核（见 §10.4）。AI 未执行任何数据集下载、实验复现或对原始数据的直接验证——所有数字均来自公开文献与官方文档。

参与边界的具体划分：事实性数字（样本量、通道数、DOI、许可条款）逐条对应 §10.3 的输入来源，未采用模型记忆中的无来源数字；代码示例（§6.1/§6.3/§6.4/§6.9）按官方数据结构编写并经人工走查，但未在真实 DEAP 数据上执行（数据受 EULA 限制）；对存疑信息（如数据包精确大小）采取省略或标注置信度处理而非猜测。

§10.3 输入来源列表

  1. Koelstra, S. et al., 2012, IEEE Transactions on Affective Computing 3(1):18-31. doi:10.1109/T-AFFC.2011.15（University of Twente 论文页）
  2. 同论文 Elsevier Pure 收录页（含致谢与资助信息）（yonsei.elsevierpure.com）
  3. 同论文 ACM Digital Library 收录页（dl.acm.org）
  4. 同论文 University of Geneva 开放档案接受稿（archive-ouverte.unige.ch）
  5. 同论文 BibBase 结构化条目（bibbase.org）
  6. DEAP 官方 EULA 全文（eecs.qmul.ac.uk/mmv/datasets/deap/doc/eula.pdf）
  7. Yang et al., 2019, Frontiers in Computational Neuroscience 13:53. doi:10.3389/fncom.2019.00053（DEAP/SEED 数据结构与设备描述）
  8. MDPI Sensors, 2026, 26(17):5327. doi:10.3390/s26175327（被试身份混淆研究）
  9. Li et al., 2026, Frontiers in Neuroscience. doi:10.3389/fnins.2026.1810609（BRAD-Net 与被试内对比表）
  10. Frontiers in Psychology, 2023, 13:1126994. doi:10.3389/fpsyg.2022.1126994（深度学习 EEG 情绪识别综述）
  11. EEG-SCMM, 2024, arXiv:2408.09186（跨库协议与 DE 特征管线）
  12. RBTransformer, 2025, arXiv:2511.13954（DEAP 多维度二分类对比）
  13. TSception 数据管线文档（DeepWiki: yi-ding-cs/TSception）
  14. Nature Scientific Reports, 2025. doi:10.1038/s41598-025-34211-z（DEAP/DREAMER 官方地址的交叉确认）
  15. 中文社区教程与实战文章（CSDN：nft7creator、weixin_29054245；尧图网络：wmrh.cn；慧全网络：hqwc.cn；数据集汇总页：4008489789.com）
  16. Frontiers in Psychology, 2022, 13:1065196. doi:10.3389/fpsyg.2022.1065196（DEAP 微状态研究，标签分布证据）

§10.4 人工校验记录

内容模块 审核者 审核方式 审核状态
§2 医学背景（ICD-11/SNOMED/流行病学） 千方病案医学编辑部 逐条比对公开医学编码文献 ✅ 已通过/已验证
§3-§4 规格与数据结构 千方病案医学编辑部（数据工程） 与官方文档及论文核对 ✅ 已通过/已验证
§5-§6 划分与 AI 就绪指南 千方病案医学编辑部（数据工程） 代码走查 + 协议核对 ✅ 已通过/已验证
§7 质量评估与 DAIMS 千方病案医学编辑部 逐项对照证据链 ✅ 已通过/已验证
§8 基准生态 千方病案医学编辑部 数字溯源至原始来源 ✅ 已通过/已验证
frontmatter 与 JSON-LD 千方病案医学编辑部 结构完整性与 URL 规则校验 ✅ 已通过/已验证

§10.5 AI 生成章节标注

本页所有章节初稿由 AI 生成；§0 声明的三段免责文本为平台固定模板（人工嵌入）；§10.3 的来源列表由检索过程自动汇总后经人工去重与排序。

§10.6 最后人工审核日期

2026-09-05

页面状态：published（全部内容已完成审核并发布）

§C JSON-LD 结构化数据

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：

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。

返回 AI-Ready 数据集

数据定制

标注服务

欢迎联系咨询

客服二维码

客服二维码

客服二维码
电话咨询

直接咨询

18892062214

微信同号

微信咨询

微信咨询

18892062214

微信同号

邮箱咨询

邮箱咨询

collab@qianfanghub.cn