DREAMER — 消费级可穿戴 EEG+ECG 情感识别数据库

INFOBOX — DREAMER 一屏速览

维度	内容
本质	消费级可穿戴设备采集的多模态情感生理数据库：EEG（脑电）+ ECG（心电）+ 主观情感自评
团队	University of the West of Scotland（西苏格兰大学），Stamos Katsigiannis 与 Naeem Ramzan
论文	IEEE JBHI, vol. 22, no. 1, pp. 98-107, Jan. 2018；doi:10.1109/JBHI.2017.2688239
受试者	23 名健康成人（14 男 / 9 女），年龄 22-33 岁，均值 26.6 岁，单次会话
刺激	18 段电影片段，65-393 秒（均值 199 秒），覆盖九类目标情绪
EEG	Emotiv EPOC 无线头戴，14 通道（10-20 系统），128 Hz
ECG	Shimmer2 无线传感器，2 通道，256 Hz
标签	每段看完后自评：效价（valence）/ 唤醒度（arousal）/ 支配度（dominance），各 1-5 分
记录	23 × 18 = 414 组 trial，每组含 EEG+ECG+三维评分；每段前有中性视频基线段
获取	Zenodo record 546113（2017-04-13 发布，v1），restricted 需申请；单文件 DREAMER.mat
核心主张	消费级低成本低功耗设备的三维情感分类结果与医疗级设备数据库可比
库内互链	deap（医疗级 EEG 情感对照）、dreamt（同名前缀易混）、bci-competition-iv-2a、mmash、scientisst-move
坑点速记	与 DREAMT 撞名；TorchEEG 五维评分误写；restricted ≠ 完全公开；0-5 vs 1-5 口径分歧

DREAMER 是一个用「两百欧元级设备干专业级设备活」的数据库：2016-2017 年间，西苏格兰大学的 Katsigiannis 与 Ramzan 让 23 名受试者在实验室观看 18 段经过情绪标定的电影片段，用游戏玩家熟知的 Emotiv EPOC 无线头环记录 14 通道脑电，用科研级便携的 Shimmer2 传感器记录 2 通道心电，每段看完立即自评效价、唤醒度、支配度三个 1-5 分。它要回答的问题非常实际——如果情感计算要走出实验室、进入日常应用，那些便宜、无线、即戴即用的消费级设备到底够不够用？答案是：在三维情感二分类上，够用，性能与 DEAP 这类医疗级设备数据库可比。

导语读法三则：

1. 只想下数据：直奔 §5 获取与许可——注意 Zenodo 记录是 restricted 状态，不能匿名直取，需登录申请。
2. 关心设备 equivalence：直奔 §3 设备与 §6 评估——消费级 vs 医疗级的对照数据都在那里。
3. 做 EEG 情感模型：直奔 §4 标注协议与 §8 DAIMS——评分口径（三维 1-5 分、阈值 3 切分）与社区基准用法是跑分前必须核对的事。

§0 导读：这个数据集解决什么问题

情感识别（emotion recognition）要落地，卡脖子的从来不是模型，而是传感器。2010 年代前期，该领域的旗舰数据库——DEAP（32 人，医疗级 EEG 放大器 + 生理背心）、MAHNOB-HCI（27 人）、ASCERTAIN（58 人）——清一色使用医疗级或实验室级采集设备：电极膏、屏蔽室、笨重的放大器、动辄数万美元的造价。这样的采集条件决定了两件事：一是被试规模难以扩大（三个库都在 30-60 人量级），二是「在日常环境中长期采集」根本不可行。情感计算若要进入车载安全监测、心理健康随访、自适应教育等真实场景，必须验证一条更便宜的路。

DREAMER 的回答是一次干净利落的设备平替实验。作者刻意选择两件「无线、便携、低成本、开箱即用」的商用设备：Emotiv EPOC（消费级 14 通道 EEG 头环，盐水电极，无线传输，内建 128 Hz 下采样）与 Shimmer2（无线 ECG 传感器，256 Hz）。采集流程刻意保持轻量：不做电极阻抗精细调校、不使用屏蔽室、标准实验室桌面环境。若如此粗糙的条件下采集的信号仍能支撑与医疗级数据库相当的情感分类性能，那么「情感计算平民化」的物理前提就成立了。

论文的验证设计很克制：18 段电影片段按九类目标情绪（愤怒、恐惧、平静、愉悦、悲伤、惊讶、厌恶、快乐、兴奋）从商业影片中截取，时长 65-393 秒——远长于 DEAP 的 60 秒音乐视频，更接近真实情绪唤起所需的时间尺度。每段播放前先让受试者观看中性视频并记录基线，看完后立即用 1-5 分自评效价、唤醒度、支配度。分类结果（详见 §6）显示三维二分类性能与 DEAP 等医疗级数据库处于可比区间，核心主张由此成立。

§0 读法三则：

1. 这个条目的核心价值在「设备维度」而非「规模维度」：23 人的规模在 2026 年看并不大，但它是第一个系统性证明消费级 EEG 可用于情感识别的公开数据库，之后无数可穿戴情感研究都以它为基线。
2. 全文核心数字（23 人 / 18 段 / 65-393 秒 / 128 Hz / 256 Hz / 1-5 分）均经 Zenodo 官方记录、TorchEEG 文档与多篇独立综述三源互证；各源之间的口径分歧（评分维度数、评分范围、人数变体）已全部在 §10 坑点与 FACTS 存照。
3. 检索时切勿与 DREAMT 混淆——后者是可穿戴睡眠呼吸暂停检测数据集，与本库 rid 650 条目重名前缀（坑 1）。

§1 数据集速览：十问十答

Q1：DREAMER 里有几种信号？
两种生理信号加一套主观标签：14 通道 EEG（Emotiv EPOC，128 Hz）、2 通道 ECG（Shimmer2，256 Hz），以及每段片段看完后的效价/唤醒度/支配度三维 1-5 分自评。没有眼电、肌电、皮电通道——这是它与 DEAP（含 GSR、呼吸、皮温等 8 通道外周信号）的重要差别。

Q2：受试者是什么人？规模多大？
23 名健康成人，14 男 9 女，年龄 22-33 岁（均值 26.6 岁）。每人一个会话看完全部 18 段片段。这是典型的「小样本、多 trial」设计：总记录数 23 × 18 = 414 组。

Q3：电影片段怎么选的？
18 段片段按九类目标情绪从商业影片中截取：愤怒、恐惧、平静、愉悦、悲伤、惊讶、厌恶、快乐、兴奋各若干段。时长 65-393 秒、平均 199 秒——比 DEAP 的 1 分钟音乐视频长得多，给情绪唤起留足了时间。

Q4：评分量表是什么口径？
原论文与 Zenodo 描述的正式口径是三维（效价、唤醒度、支配度）各 1-5 分，受试者每段看完立即自评。注意两点：一是有文献（Nature 子刊 2022 一文表格）写 0-5，属孤例笔误；二是 TorchEEG 文档写五维（加了 like/dislike 与 familiarity），与原论文不符，引用以三维为准（坑 3）。

Q5：基线怎么采的？
每段情感片段播放前，受试者先观看一段中性视频，期间采集的信号作为该段的基线（baseline）。机器学习管线常用这些基线段做归一化参照——TorchEEG 的默认实现即取每段前 61 秒基线与正式段做差分熵特征对比。

Q6：EEG 采样率为什么是 128 Hz？
Emotiv EPOC 设备内部以 2048 Hz 采样，经设备端下采样输出 128 Hz。这意味着高于 64 Hz（奈奎斯特频率）的神经成分在设备内已被滤除——DREAMER 不适合研究 gamma 高频段以外的神经振荡，多数使用者也只取到 beta 段特征。

Q7：ECG 为什么只有 2 通道？
Shimmer2 用标准 3 导联配置中的两极记录单导联心电波形（数据存为 2 通道）。对情感识别而言心率、心率变异性（HRV）等派生特征才是主角，2 通道足够。

Q8：数据什么格式、多大？
单文件 DREAMER.mat（MATLAB 格式），内含按受试者组织的 EEG/ECG 原始数据、评分矩阵与刺激元数据。文件本体大小未从 Zenodo API 公开可见（restricted 记录文件列表不对外），社区反馈在 GB 量级——具体值列为遗留疑点。

Q9：怎么获取？
Zenodo record 546113（conceptrecid 796158 的 v1 版本，2017-04-13 发布）。注意：该记录 access_right 为 restricted，需登录 Zenodo 后向记录所有者申请访问，通过后可下载——不能像 open 记录那样匿名直取（坑 2）。

Q10：性能基准怎么对标？
原论文以三维二分类（评分阈值 3 切高低）验证，结果与 DEAP 等医疗级数据库可比。社区常用管线：TorchEEG 内置 DREAMERDataset，频带微分熵（BDE）特征 + CNN/GNN，或 1 秒窗原始段 + 深度模型。跨被试（subject-independent）设置下性能普遍显著低于被试内设置——这是所有小样本情感库的共性。

§2 数据构成与规格

2.1 规模三支柱：23 人 × 18 段 × 2 模态

DREAMER 的全部数据可以用一个乘法式概括：23 名受试者 × 18 段电影片段 = 414 组多模态情感记录，每组记录由「14 通道 EEG + 2 通道 ECG + 三维主观评分 + 一段前置基线」四件套构成。理解这个乘积结构对使用该库至关重要——它不是一张大表，而是「受试者 × 刺激」的二维组织。

支柱	规格	说明
受试者	23 名健康成人	14 男 / 9 女；年龄 22-33 岁，均值 26.6 岁
刺激	18 段电影片段	65-393 秒，均值 199 秒；覆盖九类目标情绪
EEG	Emotiv EPOC，14 通道，128 Hz	10-20 系统电极位；设备内部由 2048 Hz 下采样
ECG	Shimmer2，2 通道，256 Hz	单导联心电，供心率/HRV 派生特征
标签	效价 / 唤醒度 / 支配度	各 1-5 分，受试者逐段自评
基线	每段前的中性视频段	供归一化与差分对比使用
记录总数	23 × 18 = 414	每名受试者一个会话看完全部片段

需要特别指出的是**「每人一个会话」**这个设计约束：23 人里没有任何人被重复招募，因此不存在同一受试者的跨会话数据，也就无法研究「同一人不同天的信号稳定性」。这是单会话小样本库的固有边界，跨被试泛化研究必须在此前提下调参。

2.2 刺激集：十八段电影与九类情绪

18 段电影片段是按九类目标情绪挑选的商业影片剪辑，每类情绪对应若干段（并非每类严格两段，因为部分片段被标注为诱发多重情绪）：

目标情绪（英文）	中文	对应的情感维度倾向
anger	愤怒	高唤醒、低效价
fear	恐惧	高唤醒、低效价
calm	平静	低唤醒、中高效价
amusement	愉悦（逗趣）	高唤醒、高效价
sadness	悲伤	低唤醒、低效价
surprise	惊讶	高唤醒、中效价
disgust	厌恶	中高唤醒、低效价
happiness	快乐	高唤醒、高效价
excitement	兴奋	高唤醒、中高效价

这份情绪清单的重要特征是同时覆盖效价与唤醒两轴的正负两侧，使三维标注能够在数据中形成有意义的分布，而非集中在量表某一端。片段时长 65-393 秒、均值 199 秒——这个尺度显著长于 DEAP 的 60 秒音乐视频，作者在论文中即以此论证电影片段能提供更充分的情绪唤起窗口。

片段来源为商业影片，属公开影视素材的短时截取。使用者需要注意：数据集本身不附带可再分发的原片素材，获得的多是已采集的生理信号与元数据。

2.3 EEG 通道规格：十四个电极位的来龙去脉

EEG 由 Emotiv EPOC 无线头戴采集，14 通道，采用国际 10-20 系统的常用电极位。Emotiv EPOC 的 14 个通道分布覆盖额区、中央区、顶区与颞区，属「头皮全域稀疏采样」配置——通道数只有科研级 32/64/128 导联设备的零头，这是消费级设备的核心妥协点。

参数	DREAMER 取值	含义
设备型号	Emotiv EPOC	消费级无线 EEG 头环，盐水湿电极
通道数	14	10-20 系统稀疏布放
输出采样率	128 Hz	设备端由 2048 Hz 内部采样下采样
有效带宽上限	约 64 Hz（奈奎斯特）	高于此的神经成分已被设备滤除
电极类型	盐水浸润毛毡电极	免电极膏，佩戴快但易干、阻抗漂移

128 Hz 的物理含义必须讲清：设备内部以 2048 Hz 采样，但输出前经过内部数字滤波与 16 倍下采样降为 128 Hz。按奈奎斯特定理，可分析频率上限约为 64 Hz——理论上仍在常规脑电节律（delta/theta/alpha/beta）范围内，但 gamma 段（>30 Hz，乃至 60 Hz 以上的高频振荡）研究基本被排除在可靠区间之外，且设备端滤波的具体截止特性未在数据中公开。这是消费级设备与科研级放大器之间最硬的一道墙。

2.4 ECG 通道规格：两通道够用吗

ECG 由 Shimmer2 无线传感器采集，2 通道，256 Hz。Shimmer2 是科研界广泛使用的可穿戴生理传感平台，其 ECG 采集采用单导联配置，数据落盘为 2 通道（信号与可能的参考/同步通道）。

对情感识别任务而言，ECG 的价值不在原始波形本身，而在从中派生的**心率（HR）与心率变异性（HRV）**特征——这两者与唤醒度高度相关。256 Hz 的采样率对 HRV 的时域与频域分析足够（HRV 分析通常 250-1000 Hz 均可）。DREAMER 只采 2 通道 ECG、不采 GSR/呼吸/皮温，是它与 DEAP（含 8 通道外周生理）的关键区别——若研究需要皮电或呼吸信号，DREAMER 无法替代 DEAP。

2.5 文件组织：单文件 DREAMER.mat 的结构

DREAMER 的分发形态是单个 MATLAB 文件 DREAMER.mat，这是它与多数按受试者分目录组织的 EEG 库（如 DEAP 的 .dat 每被试一文件）在结构上的差异。单文件组织的好处是加载即得全库、避免批量 IO；代价是文件本体较大、内存受限的环境需分块读取。

文件内部结构的组织逻辑（社区通行理解）：

DREAMER.mat
├── DREAMER
│   ├── Data              # 按受试者索引的 struct 数组
│   │   └── {i}           # 第 i 名受试者（i = 1..23）
│   │       ├── EEG       # struct 数组，按刺激索引（1..18）
│   │       │   └── {j}
│   │       │       ├── stimulus       # 该段 EEG 数据矩阵（14 × 采样点数）
│   │       │       └── Baseline       # 该段前置基线的 EEG
│   │       └── ECG       # struct 数组，按刺激索引（1..18）
│   │           └── {j}
│   │               ├── stimulus       # 该段 ECG 数据矩阵（2 × 采样点数）
│   │               └── Baseline       # 该段前置基线的 ECG
│   ├── EEG_SamplingRate  # 128
│   ├── ECG_SamplingRate  # 256
│   └── noOfSubjects / noOfVideoSequences  # 23 / 18

注意：上述为社区文档与使用代码中一致出现的结构约定，字段拼写以实际下载文件为准。文件本体的确切字节大小未在 Zenodo 记录页公开（restricted 记录的文件列表不对外可见），列为遗留疑点。

2.6 与 DEAP 的规格对阵

DREAMER 最常被拿来与 DEAP 对照，二者规格差异一目了然：

维度	DREAMER	DEAP
受试者	23 人	32 人
刺激	18 段电影片段	40 段音乐视频（各 60 秒）
EEG 设备	Emotiv EPOC（消费级）	Biosemi ActiveTwo（医疗级）
EEG 通道	14	32
EEG 采样率	128 Hz	512 Hz
外周生理	ECG 2 通道	GSR/呼吸/皮温/血容等多通道
评分维度	效价/唤醒/支配（1-5）	效价/唤醒/支配/喜好（1-9）
获取	Zenodo restricted（需申请）	官网申请制

这张表解释了 DREAMER 的定位：它不是在规模或精密度上超越 DEAP，而是用消费级设备在「更真实刺激 + 更宽松采集」的条件下复现可用的情感标签体系，从而回答「低成本设备能否承担情感计算落地」这一独立问题。

2.7 采样与时间对齐：EEG 与 ECG 的不同节拍

DREAMER 内部有一个容易被忽视但对工程实现至关重要的细节：EEG 与 ECG 的采样率不同（128 Hz vs 256 Hz），因此两者的时间轴节拍是 2:1 的关系。

信号	采样率	1 秒对应点数	与 EEG 的点数比
EEG	128 Hz	128 点	1×（基准）
ECG	256 Hz	256 点	2×

这意味着在做多模态融合时，必须先把两条信号重采样到同一时间基准，否则会出现时间错位。常见做法是：把 ECG 降采样到 128 Hz 与 EEG 对齐，或把 EEG 升采样到 256 Hz，或两者统一到第三方频率（如 256 Hz）。选哪一种取决于目标任务——若以 ECG 派生特征（HRV）为主，倾向保留 256 Hz；若以 EEG 为主做通道融合，倾向降到 128 Hz。这一对齐步骤在多模态情感识别中是必须显式处理的工程点，也是初学者常犯的时序错位错误来源。

2.8 为什么是 18 段而不是更多

一个自然的疑问是：为什么只选 18 段片段？这是「总时长预算」与「单次会话耐受度」平衡的结果：

• 总采集时长：18 段片段按均值 199 秒计算，纯播放时长约 60 分钟；再加上每段前的中性基线（约 61 秒 × 18 ≈ 18 分钟），单次会话的总采集时长接近 80 分钟。
• 受试者耐受度：超过一小时的连续观看 + 佩戴头环与心电贴片，会引入显著的疲劳效应，削弱后段情绪的诱发效力与信号质量。
• 情绪覆盖：18 段刚好能分给九类目标情绪各若干段，兼顾覆盖度与单段质量。

因此 18 是一个「够覆盖、不疲劳」的折中数。同类库中 DEAP 用 40 段 60 秒音乐视频（总播放 40 分钟），MAHNOB-HCI 用约 20 段视频——播放时长预算大体都在一小时量级，这是人类受试实验的物理约束，不只是设计偏好。

2.9 元数据包含什么

除信号与评分外，DREAMER 还附带支撑复现所需的元数据，主要包括：

• 每段片段的标识与时长：用于把 EEG/ECG 记录与具体刺激对应。
• 每段片段的情绪类别：九类目标情绪中对应的标记（部分片段可能关联多重情绪）。
• 受试者编号：1-23 的索引，用于被试内/被试外划分。
• 采样率常量：EEG 128 Hz、ECG 256 Hz，写入文件供读取程序使用。
• 评分矩阵：每位受试者对每段的三维评分，与信号数据一同组织在 .mat 结构内。

元数据的存在使 DREAMER 具备「自描述」能力——加载 DREAMER.mat 后，研究者无需外部对照表即可把信号、标签、刺激三者的对应关系还原出来。这是它相对一些仅提供裸信号、需外部文档拼装的库在使用体验上的优势。

2.10 EEG 通道布放的稀疏性代价

Emotiv EPOC 的 14 通道布放，相比科研级 32/64 导联，本质是「空间欠采样」。这带来两个具体代价：

代价	说明	影响的研究方向
空间分辨率低	相邻脑区信号混叠，难做精确源定位	脑区定位、源重建
参考与蒙太奇简化	消费级设备参考方案固定且简化	需自定义重参考的研究
通道间串扰	稀疏布放下空间滤波受限	需精细空间滤波的算法

好处则是佩戴快、成本低、无线自由度高——这正是 DREAMER 想验证的价值点。因此 14 通道「够不够用」本身是一个任务依赖的问题：对情感识别这类全局状态判定，14 通道往往够用；对精细运动想象或源定位，则明显不足。

2.11 「消费级」的技术含义

DREAMER 反复强调的「消费级（consumer-grade）」具体指什么？可以从四个维度界定：

• 价格：Emotiv EPOC 属百美元量级，远低于科研级 EEG 系统（数万美元级）。
• 佩戴：盐水浸润毛毡电极，免电极膏，数分钟可戴好，无需专业人员精细调阻抗。
• 连接：无线传输，免除线缆束缚，受试者可较自然活动。
• 软件栈：随附消费级 SDK 与简化固件，不暴露底层滤波参数。

「低功耗」则指设备可在电池供电下持续工作，适合较长时间采集。DREAMER 的意义在于：在承认这四个维度都被「降级」的前提下，仍能支撑可用的情感识别——这是它对可穿戴情感计算最实际的贡献。

2.12 数据版本与稳定性说明

DREAMER 只有 v1 一个内容版本（见 §5.4），因此不存在「不同版本数字打架」的问题。但需注意两个时间维度的差异：

维度	时间	说明
论文在线	2017 年	IEEE JBHI 早期在线
论文卷期	2018 年 1 月	vol.22 no.1
Zenodo 发布	2017-04-13	记录首次发布
Zenodo 修订	2024-08-03	元数据层面（revision 15）

引用时，期刊卷期用 2018、数据集发布用 2017，二者并不矛盾——这是「论文在线早于卷期」的常见现象。

§3 采集协议：一场实验室里的情绪旅程

3.1 场地、设备与人员

采集在西苏格兰大学（University of the West of Scotland，Paisley 校区）的实验室环境中完成。参与者为 23 名健康志愿者，招募自大学社区，无已知神经或心血管疾病史——这一点决定了 DREAMER 是健康人群库，不含病理性情感障碍样本，临床方向的应用需另行验证。

采集全程由作者团队操作，贡献者名单中 Thomas Cuntz 与 Sebastian Palke 参与数据采集执行。整套流程刻意保持「轻量」：不搭建电磁屏蔽室、不进行精细电极阻抗调校、不使用医疗级放大器——这正是为了模拟消费级设备在真实环境下的使用条件。

3.2 单会话流程：从基线到自评的十二步

每名受试者的单次会话按固定协议推进。核心循环是「基线 → 观看片段 → 立即自评」，重复 18 次：

1. 佩戴与调试：为受试者佩戴 Emotiv EPOC 头环与 Shimmer2 ECG 传感器，确认无线链路稳定。
2. 开场说明：告知流程与评分方法，确保受试者理解三维量表的含义。
3. 进入循环（共 18 轮）：
   • a. 基线采集：播放一段中性视频（如自然风光、无情感倾向的片段），其间采集 EEG 与 ECG 作为该轮的基线信号。采集时长按协议固定（TorchEEG 默认实现取约 61 秒）。
   • b. 情感片段播放：播放一段目标情绪电影片段，时长 65-393 秒不等；期间同步记录 14 通道 EEG 与 2 通道 ECG。
   • c. 即时自评：片段结束，受试者立即对这一段观看体验在 效价（valence）/ 唤醒度（arousal）/ 支配度（dominance） 三个维度上各打一个 1-5 分。
4. 会话结束：18 轮完成后拆除设备。

「立即自评」这个细节很关键：评分发生在情绪唤起后尽可能短的时间内，以最大限度减少回忆偏差——这是主观情感标注的核心工艺，也是 DREAMER 标签质量的基础。

3.3 三维量表：效价、唤醒、支配

DREAMER 使用的是情感计算领域经典的三维情感模型，源自 Mehrabian 的 PAD（Pleasure-Arousal-Dominance）框架：

维度	英文	含义	量表范围
效价	valence	情绪的正负愉悦度（愉快 ↔ 不愉快）	1-5
唤醒度	arousal	情绪的激活/激动程度（平静 ↔ 激动）	1-5
支配度	dominance	主观掌控感（被支配 ↔ 主导）	1-5

采用**自评（self-assessment）**的方式，即「受试者自己给自己的情绪打分」，量表风格接近经典的 SAM（Self-Assessment Manikin）图形量表，但这里落盘的是 1-5 的数值评分。全库没有任何第三方专家注释或生理专家复核标签——所有标签都是一手主观自评。这既是优势（忠实反映受试者主观体验），也是局限（个体量表锚定差异带来标签噪声）。

3.4 评分口径的两处历史分歧

关于评分，使用前必须厘清两处社区口径分歧，否则模型跑分会被「维度数」和「取值范围」误导：

• 维度数：原论文与 Zenodo 描述均为三维（效价/唤醒/支配）。但 TorchEEG 等二次文档写为五维（额外加入 like/dislike 与 familiarity）。后者疑为与 DEAP / MAHNOB-HCI 的多维口径混写，引用与建模一律以原论文三维为准（详见坑点 3）。
• 取值范围：绝大多数来源（原论文、Zenodo、多篇综述）写 1-5 分；仅 Nature 子刊 2022 年某文的汇总表格写 0-5，属孤例，判定为表格笔误，按 1-5 成稿（详见坑点 4）。

3.5 基线协议：为什么每段前都要看中性视频

DREAMER 的基线设计是逐段对应的：不是整个会话开始前采一次基线，而是每一段情感片段前都单独采一段中性基线。这个设计的用意是为每一段情感响应提供「紧邻的、同一生理状态」的对照参照，使研究者能做差分分析——把情感段的特征减去同轮基线特征，从而部分抵消缓慢漂移（如电极阻抗变化、疲劳累积）带来的个体内噪声。

TorchEEG 的 DREAMERDataset 默认实现正是利用了这一结构：为每段保留其前置基线的前 61 个时间块（约 61 秒），在对齐后与情感段做特征差分。使用者在脱离 TorchEEG 自己写管线时，务必注意基线与情感段的配对关系，不要跨段错配。

3.6 采集协议的取舍账

把协议放回「低成本设备可行吗」这个问题下，这份采集设计做了一系列自觉的取舍：

• 舍去屏蔽室与精细调校 → 换来真实环境代表性，但引入更多环境噪声与伪迹。
• 舍去高采样率与高通道数 → 换来佩戴便捷与成本，但牺牲高频与空间分辨率。
• 舍去多会话重复采集 → 换来采集效率，但失去个体内稳定性研究能力。
• 舍去第三方标注 → 换来主观忠实度，但引入量表锚定偏置。

这些取舍得失，正是 DREAMER 在情感识别社区被反复引用、也被反复讨论边界的原因所在。

§4 标注体系与任务定义

4.1 标签的生成链路

DREAMER 的标签不是事后人工标注，而是采集时即时自评内嵌。整条标签生成链路是：

电影片段播放 → 情绪唤起 → 受试者立即自评（效价/唤醒/支配，各 1-5 分）→ 落盘为评分矩阵

这条链路的每一环都值得审视：

1. 唤起环节：依赖电影片段能否有效诱发出目标情绪。DREAMER 通过九类情绪多片段设计提高覆盖度，但个体对同一片段的反应差异无法完全消除。
2. 自评环节：受试者的评分是一次性、无复核的——没有要求他们复看、没有专家校准、没有交叉验证。
3. 落盘环节：评分直接写入数据矩阵，与对应的 EEG/ECG 记录绑定。

因此，DREAMER 的标签质量实际上等价于「受试者对自身情绪状态的即时内省准确度」，这是一个**主观真值（subjective ground truth）**体系，与依赖专家一致性的医学影像标注在方法论上属于不同范式。

4.2 三维标签的数据分布特征

由于每名受试者对 18 段的每段都给出三个 1-5 分，全库共 23 × 18 × 3 = 1242 个评分点。这些评分的分布有几点实际用途上的含义：

• 分布不均衡：受试者倾向于在量表上「趋中」或「拉高」，导致某些维度的高分或低分样本偏少，二分类时需注意类别平衡处理。
• 个体偏置明显：不同受试者对同一量表的锚定不同——有人 3 分已是强情绪，有人 4 分才勉强算。这直接加剧了跨被试建模的难度。
• 片段效应：同一片段在不同受试者间的评分方差，本身就是衡量该片段情绪诱发效力的一个指标。

4.3 标准任务：三维二分类与回归

DREAMER 上最主流的任务形态是把三维评分转成分类或回归目标：

（1）二分类任务（最常见）

以阈值 3 为切分线：评分 > 3 判为「高」，≤ 3 判为「低」（或按各文献惯例把 3 归入某一侧）。于是得到三个独立二分类任务：

任务	目标	正类定义（常见约定）
效价分类	愉悦 vs 不悦	valence 高 vs 低
唤醒分类	激动 vs 平静	arousal 高 vs 低
支配分类	主导 vs 被支配	dominance 高 vs 低

阈值取 3 是因为量表是 1-5 五点计分，3 是中性中点。注意阈值口径在社区并不完全统一，跨论文比较准确率时必须先核对各自的切分规则。

（2）回归任务

直接以 1-5 的连续（序数）评分作为回归目标，预测受试者对每段的效价/唤醒/支配打分。回归更保留信息，但对小样本而言更困难，社区常报告较低的决定系数。

4.4 特征工程：频带微分熵与经典管线

在深度学习普及前后，DREAMER 上形成了成熟的手工特征管线，至今仍是主要基线：

• EEG 特征：以约 1 秒窗（128 点 @ 128 Hz）切分，对 delta/theta/alpha/beta（及部分 gamma）频带计算功率谱密度（PSD）或微分熵（Differential Entropy, DE）。微分熵因其对情绪识别任务的有效性被广泛采用（BDE = 频带微分熵）。
• ECG 特征：从中提取心率、心率变异性（时域 RMSSD/SDNN、频域 LF/HF）等。
• 分类器：传统上常用 SVM、随机森林、KNN 等。

这套管线是 DREAMER 早期论文与大量衍生工作的方法基线，理解它有助于读懂 2017-2022 年间该库的绝大多数结果。

4.5 深度学习方法

随深度学习兴起，DREAMER 上的方法转向端到端模型：

• CNN 类：将 EEG 表示为多通道时序或时频图，用卷积网络提取空间-频域特征。
• RNN/LSTM 类：建模 EEG 的时序依赖。
• GNN 类：将 EEG 电极视作图节点（按空间邻接建模），用图神经网络聚合空间信息——这在 DREAMER 的 14 通道稀疏布放上尤其常见，因为稀疏通道间的关系更适合图结构表达。
• Transformer/基础模型类：近期工作（如 EEG 基础模型评测）将 DREAMER 纳入跨数据集评测，检验预训练模型的泛化。

TorchEEG 库内置的 DREAMERDataset 封装了官方数据加载、基线对齐与常用转换，是初学者最省力的入口（见 §7）。

4.6 评估协议：被试内 vs 被试外

DREAMER 是**小样本（23 人）**库，评估协议的选择对结果影响巨大。社区通行两种设置：

协议	定义	典型性能	说明
被试内（subject-dependent）	用同一受试者的部分 trial 训练、其余测试	较高	允许模型学习个体特征，乐观
被试外（subject-independent）	留出若干受试者、用其余受试者训练	显著较低	检验跨个体泛化，更贴近真实部署

几乎所有小样本情感库都存在这个「被试内虚高、被试外骤降」的现象，DREAMER 亦然。跨库、跨论文比较准确率时，必须先确认评估协议，否则数字不可比。这也是 DREAMER 条目反复强调的一条读表纪律。

4.7 标注体系的根本边界

总结 DREAMER 标注体系的三条根本边界，供使用者决策：

1. 主观性：标签是自我内省，不存在「客观正确」的情感标签，不同主体的量表锚定差异内建为噪声。
2. 单次性：每人每段只有一个评分，无法估计同一主体对同一刺激的评分重复性（test-retest 信度未知）。
3. 无病理层：受试者均为健康志愿者，缺少临床情感障碍样本，制约了在精神健康诊断方向的直接应用。

认识到这三条边界，才能正确地把 DREAMER 用作「消费级设备情感识别的可行性证据库」，而非「情感障碍诊断金标准」。

4.8 标签体系与 DEAP 的评分对照

为便于跨库迁移，把 DREAMER 与 DEAP 的标签体系并置对照：

项	DREAMER	DEAP
维度数	3（效价/唤醒/支配）	4（效价/唤醒/支配/喜好）
刻度	1-5	1-9
采集时机	每段看完立即自评	每段看完自评
是否含喜好	否	是
是否含支配	是	是
常见二分类阈值	3（中点）	5（中点）

跨库迁移时的坑：两者的刻度不同（1-5 vs 1-9）、维度集合不同（DREAMER 无「喜好」维度），直接拼接标签会引入尺度不一致。若要联合训练，须先做标签尺度归一化，并对齐共同的三个维度，舍弃 DEAP 独有的喜好维度。

4.9 标签质量的实测考量

虽然没有官方的标签信度报告（见附录 M 遗留疑点 3），使用者仍可从几个角度自评标签质量：

• 段内一致性：同一情绪类别的多个片段，若在该维度上的评分方差小，说明标注相对稳定。
• 受试者一致性：若某受试者的评分分布明显偏离总体，可能是个体锚定偏置，考虑在跨被试分析中处理。
• 维度相关性：效价与唤醒若高度相关，可能是自评时「情绪强度」单一潜在因子主导，需谨慎解释独立维度。

这些考量帮助使用者在没有正式信度数据时，对标签噪声有一个经验性的把握。

4.10 任务定义的边界情形

在定义具体任务时，有几个边界情形需要明确：

• 评分等于 3 的样本：二分类时归入哪一类？不同论文处理不同，需声明。
• 缺失或中性片段：是否存在被受试者评为「无情绪」的样本，如何处理？
• 多情绪片段：若某片段诱发多重情绪，标签如何对齐？DREAMER 以单情绪类别标记为主。
• EEG/ECG 长度不一：不同片段时长不同，切窗后样本数不等，是否加权？

这些都是实际实现时必须拍板的工程决策，本条目把它们显式列出，供使用者建立自己的口径记录。

§5 获取与许可：restricted 的门怎么进

5.1 官方分发通道

DREAMER 的官方获取入口是 Zenodo 记录：

项	值
记录页	https://zenodo.org/records/546113
记录 DOI	10.5281/zenodo.546113
父记录（conceptrecid）	796158
版本	v1（唯一版本，is_last = true）
首次发布	2017-04-13
最近修订	2024-08-03（revision 15）
访问状态	restricted（受限）

记录页状态为 restricted，意味着不能匿名直取：任何访问者需登录 Zenodo 账号，向记录所有者（作者/机构）提交访问申请，经批准后方可获得下载权限。这与 open access 记录（点开即下）不同，也与 embargo（限时后自动开放）不同——restricted 是持续性的申请制，没有到期自动放开的机制。

5.2 双口径存照：描述写 publicly available，状态却是 restricted

DREAMER 的许可状态存在一处必须存照的口径冲突：

• 口径 A：Zenodo 记录描述文字（及作者论文表述）称该数据库 “made publicly available”，强调其公开可用的定位。
• 口径 B：当前记录的 access_right 字段实为 restricted，2024-08 修订后的版本链中文件列表对匿名访问者不可见（Zenodo API 的 files 数组为空）。

本条目按「需申请的受限访问」如实成稿。这个分歧的实际影响是：任何声称「DREAMER 可直接下载」的教程都可能已过时或基于旧状态；使用者应假定需要走申请流程。描述文本中的 “publicly available” 更应理解为作者意图的公开性声明，而非平台层面的当前访问状态。

5.3 license 状态：无明确开源许可

restricted 记录未挂载任何 license 字段。这意味着：

• DREAMER 不是 CC-BY / CC0 / MIT 之类的明确开源数据集，没有可被机器读取的许可标识。
• 使用时应以论文与 Zenodo 记录页的标注为准，直接联系作者确认用途授权。
• 二次分发的合法性需谨慎——在获得作者明确许可前，不宜将 DREAMER 数据重新托管公开发布。

这是与 DEAP 等同样偏申请制的数据集类似的情况：获取门槛与使用授权是两件事，拿到数据不等于自动获得任意用途的再分发权。

5.4 版本链

DREAMER 的 Zenodo 版本链非常简洁：

conceptrecid 796158（父记录，代表"这个数据集"）
    └── record 546113（v1，2017-04-13 发布，is_last = true）
        └── 无后继版本

只有 v1 一个版本，所有引用都指向它。2024-08-03 的修订是元数据/状态层面的更新（revision 15），而非数据内容的版本迭代，记录 DOI 与内容实体不变。

5.5 获取实操建议

要拿到 DREAMER，建议的步骤是：

1. 注册/登录 Zenodo 账号。
2. 访问记录页 546113，点击请求访问（Request access）。
3. 简要说明研究用途，提交申请。
4. 等待记录所有者批准（审批时效无公开 SLA，列为遗留疑点）。
5. 获批后在记录页下载 DREAMER.mat。

替代路径：部分研究者通过直接联系论文作者（西苏格兰大学团队）获取。无论哪条路径，下载后请记录获取日期与批复状态，以便在论文中准确声明数据来源与授权。

5.6 与库内其他生理信号库的可获取性对照

库（rid）	访问模式	与 DREAMER 对比
DREAMER（本条目）	Zenodo restricted 申请制	基准：需登录申请
DEAP（332）	官网申请制	同为申请制，流程类似
dreamt（650）	平台开放	获取更便利，但任务不同（睡眠）
bci-competition-iv-2a（352）	公众可下	完全开放，对照样本
mmash（804）	开放	开放获取，多模态生理
scientisst-move（808）	开放	开放获取

DREAMER 处在「申请制」这一档，获取门槛高于完全开放库、与 DEAP 相当。选型时应把这个获取成本计入项目预算。

§6 评估与基准：消费级设备够用吗

6.1 原论文的核心结论

DREAMER 原论文的目标非常明确——验证用低成本无线消费级设备采集的 EEG + ECG 能否支撑与医疗级设备数据库相当的情感识别性能。作者在三维（效价/唤醒/支配）上做二分类，报告的分类性能与 DEAP 等基于医疗级设备的数据库处于可比区间，核心主张由此成立：消费级设备在情感识别上「够用」。

论文的方法学要点：

• 特征以 EEG/ECG 的频带统计与派生特征为主。
• 分类任务为三维二分类（阈值 3 切分）。
• 结果显示消费级硬件并未显著拖累分类性能，从而为可穿戴情感计算提供了实证支持。

6.2 社区基准与复现

DREAMER 被广泛内置于开源框架，成为标准跑分对象：

• TorchEEG：内置 DREAMERDataset，提供官方数据加载、基线对齐（默认 61 秒基线）与常用转换，并附带 CNN、GNN、Transformer 等模型的标准流程示例——是新手的首选入口。
• 基础模型评测：近期 EEG 基础模型工作（如 EEG-X，arXiv 2511.08861）将 DREAMER 纳入跨数据集评测，检验大规模预训练模型在小样本情感库上的迁移表现。
• 大量原创工作：2017 年以来有数以百计的论文在 DREAMER 上测试新的特征、模型或迁移策略。

6.3 常见预处理与加载要点

使用 DREAMER 跑基准时，几个工程细节会显著影响结果：

环节	常见做法	注意事项
分段	1 秒窗（128 点）	窗口长度是可调超参
基线利用	减去前置中性基线	TorchEEG 默认取前 61 秒基线
特征	频带微分熵（BDE）、PSD	频带边界需与采样率匹配（≤64 Hz）
二分类阈值	3（1-5 量表中点）	口径需与对比论文一致
评估协议	被试内 / 被试外二选一	必须声明，否则性能不可比

6.4 性能读表的四条纪律

DREAMER 上的性能数字极易被误读，读表时务必遵循：

1. 先看协议：被试内数字普遍高于被试外，二者不可混比。
2. 先看维度：效价、唤醒、支配三个任务的难度不同，不能笼统说「DREAMER 上准确率 X%」而不指明是哪个维度。
3. 先看阈值：二分类阈值口径若不统一，数字无意义。
4. 先看规模：23 人小样本，单次划分的方差大，应看多次随机划分的均值与方差，警惕单次高值。

6.5 在同类情感库中的位置

DREAMER 在情感识别数据库谱系中的定位，可由下表看清：

库	受试者	刺激	设备级别	评分	主打卖点
DREAMER	23	18 段电影	消费级	效价/唤醒/支配 1-5	首个低成本可穿戴
DEAP	32	40 段音乐视频	医疗级	效价/唤醒/支配/喜好 1-9	多媒体情感基准
MAHNOB-HCI	27	多模态视频	实验室级	多维	多模态（含视频/音频）
AMIGOS	40	视频/短片段	实验室级	多维	个体/群体情感

DREAMER 的独特价值就在于它是首个系统性主打「低成本、低功耗、无线、开箱即用」设备的情感生理数据库——规模不是最大，设备不是最精，但设备维度是它开创性的贡献，之后大量可穿戴情感研究都以它为参照基线。

6.6 局限与争议

即便核心主张成立，DREAMER 也有清晰的局限，论文与社区都未回避：

• 样本小：23 人无法支撑强泛化结论，跨被试性能下降是全类库通病。
• 设备信噪比：Emotiv EPOC 的信号质量与阻抗稳定性弱于医疗级放大器，伪迹处理选择影响大。
• 标签主观：自评无复核，个体偏置内建。
• 高频缺失：128 Hz 输出限制高频神经振荡研究。
• 单会话：无法研究个体内跨会话稳定性。

这些局限不影响 DREAMER 作为「可行性命题证据」的价值，但决定了它不能被当作「情感识别性能上界」来引用。

6.7 复现工程细节：从 .mat 到可用张量

要把 DREAMER 跑起来，从下载到可用张量之间有一段工程路要走。以下是典型的复现步骤与其中的易错点：

1. 加载 .mat：用 MATLAB 的 load 或 Python 的 scipy.io.loadmat（注意 v7.3 以上的 .mat 需用 h5py）。单文件加载即得全库。
2. 遍历结构：按 Data{i}.EEG{j} 与 Data{i}.ECG{j} 的索引遍历受试者 i 与刺激 j，取出 stimulus 与 Baseline。
3. 基线配对：确保第 j 段的信号与该段自己的 Baseline 配对，不要错配到别段的基线。
4. 重采样对齐：ECG（256 Hz）与 EEG（128 Hz）需对齐到同一时间基准才能做多模态融合（见 §2.7）。
5. 分段加窗：常按 1 秒（128 点）切窗；窗长与重叠率是可调超参，会影响样本数与性能。
6. 特征或端到端：选择手工特征（BDE/PSD）管线或端到端深度模型。
7. 标签对齐：把三维评分按段索引对齐到对应的信号窗；二分类时按阈值 3 切分。
8. 划分与评估：明确被试内/被试外协议，固定随机种子，多次重复取均值方差。

易错点集中在第 3、4、7 步：基线错配、采样率未对齐、标签与窗错位是复现失败最常见的三个根因，且往往表现为「性能异常低」而非报错，排查困难。

6.8 六种常见建模错误

在实践中，DREAMER 上的建模错误高度集中，列出六种供自查：

#	错误	表现	修正
1	基线错配	性能异常低且不稳定	逐段核对 baseline 配对
2	采样率未对齐	多模态融合无效	统一到 128 或 256 Hz
3	标签维度错	输出维度不符预期	确认三维，非五维
4	阈值不当	类别严重不平衡	按 3 切分并检查平衡
5	数据泄漏	被试内数字虚高	划清被试内/被试外
6	频带越界	高频特征无意义	频带限制 ≤64 Hz

这份清单可直接用作提交前的自检表——它在多数复现事故中能命中至少一条。

§7 生态与影响：一个数据库如何改变可穿戴情感研究

7.1 学术影响的量化痕迹

DREAMER 自 2017 年发布以来，成为情感计算与生理信号处理领域的高频引用基准库。其学术影响可从几个侧面观察：

• Zenodo 统计（抓取时点）：记录页 views 75,480（unique 60,000）；downloads 20,684（unique 11,105）——即便在 restricted 申请制下，访问与下载热度仍处高位。
• 论文引用：原论文（IEEE JBHI 2018）被后续情感识别、可穿戴生理、EEG 深度学习等方向大量引用，成为该子领域的标准引文之一。
• 方法学扩散：大量新方法（特征、模型、迁移策略、基础模型评测）把 DREAMER 作为标准验证集之一，与 DEAP 并列报告。

7.2 工具链生态

DREAMER 的广泛使用催生了一套成熟的工具链，其中最重要的是 TorchEEG：

• TorchEEG 是一个基于 PyTorch 的 EEG 深度学习框架，内置 DREAMERDataset、DEAPDataset 等经典情感库的加载器。
• 它封装了官方数据的解析、基线对齐（默认 61 秒）、常用转换（如频带微分熵）与模型模板，把「跑通 DREAMER」的门槛从数天降到数小时。
• 由此，DREAMER 成为许多 EEG 方法论文的默认快速验证库——新方法先在 DREAMER 上验证可行，再扩展到大库。

这种「被工具链内建」的状态，是数据集达到基础设施级别的标志：研究者不再把它当作需要自己处理的原始语料，而是当作可以直接调用的标准件。

7.3 基础模型时代的角色

2023 年之后，EEG 基础模型（foundation model）兴起，DREAMER 又获得了新角色——跨数据集评测的标准测试床之一。典型工作如 EEG-X（arXiv 2511.08861）将 DREAMER 与 DEAP 等一并纳入评测，检验预训练模型在小样本情感库上的迁移能力。这延续了它作为「情感识别标尺」的功能，只是评测主体从手工特征换成了大模型。

7.4 从「设备平替」到「可穿戴情感计算」的范式意义

DREAMER 最深远的影响不在数据规模，而在它为「情感计算走出实验室」这一命题提供了早期的、可复现的实证锚点。在它之前，情感识别研究对医疗级设备的依赖被视为理所当然；在它之后，「消费级可穿戴设备能否承担情感采集」从一个开放问题变成了一个有数据背书的肯定性假设。车载情绪监测、心理健康随访、自适应学习系统等应用方向的传感器选型，都从这类可行性证据中获益。

7.5 被讨论的边界

随着时间推移，社区也逐渐厘清 DREAMER 的适用边界：

• 适合：证明消费级设备可行性、作为小样本情感方法的快速验证床、可穿戴多模态融合的原型实验。
• 不适合：要求大样本泛化结论的研究、需要高频神经振荡的研究、需要临床病理样本的研究、需要皮电/呼吸等外周信号的研究。

明确这条边界，是负责任地使用 DREAMER 的前提。

7.6 与库内外同类库的影响力对照

从「被引用/被内建」的生态位看，DREAMER 与库内其他 EEG 库的差异清晰：

库	生态位	被工具链内建	主要用途
DREAMER	消费级情感识别标准件	是（TorchEEG 等）	情感识别快速验证
DEAP	医疗级情感识别基准	是	情感识别对照
bci-competition-iv-2a	运动想象标准件	是	BCI 范式
bonn-eeg	癫痫检测经典	部分	癫痫识别
hbn-eeg	儿童发育神经	部分	发育研究

DREAMER 与 DEAP 同处「被工具链内建的情感库」这一生态位，二者常被并列作为情感识别方法论文的双基准。这种「成对出现」的引用惯例，反过来又巩固了 DREAMER 作为标准件的地位。

7.7 对临床与健康应用的潜在启发

虽然 DREAMER 是健康志愿者库，它与临床情感相关研究方向仍有间接关联：

• 心理健康随访：可穿戴情感监测的算法可行性，对抑郁/焦虑的日常状态追踪有方法学参考价值。
• 人机交互：消费级设备可及性高，适合嵌入自适应用户体验系统。
• 车载与安全：驾驶员情绪/疲劳监测的可穿戴方案，依赖消费级设备的可行性证据。

这些应用方向都以「消费级设备够用」为前提，而 DREAMER 正是这一前提的早期数据支撑。但须强调：DREAMER 本身不含任何临床人群样本，从它到临床应用之间仍有大量验证工作，不可直接推断诊断效力。

§8 DAIMS 评估：AI-Ready 就绪度逐维打分

DAIMS（Dataset AI-Readiness Maturity Scoring）从多个维度评估一个数据集对 AI 训练与评测的友好程度。DREAMER 的逐维评估如下：

维度	评分	依据
可发现性（Discoverability）	★★★★★	Zenodo 官方记录 + 论文 DOI + 工具链内建，检索路径清晰
可访问性（Accessibility）	★★☆☆☆	restricted 申请制，需登录申请审批，无匿名直取；无公开 license
标注质量（Annotation Quality）	★★★☆☆	逐段三维自评，量表规范；但主观、单次、无第三方复核
数据完整性（Completeness）	★★★★☆	EEG+ECG+评分+基线齐全，模态配对完整；缺外周生理模态
信号质量（Signal Fidelity）	★★☆☆☆	消费级设备，14 通道 128 Hz，信噪比与高频受限
规模充分性（Scale Adequacy）	★★☆☆☆	23 人小样本，跨被试泛化弱
元数据规范（Metadata）	★★★★☆	刺激元数据、设备参数、采样率、评分齐全，组织清晰
格式可用性（Format Usability）	★★★★☆	单文件 MATLAB .mat，加载直接；需 MATLAB 或 scipy 解析
文档与社区（Documentation）	★★★★★	论文详实 + TorchEEG 等工具链文档 + 大量教程
许可清晰度（License Clarity）	★☆☆☆☆	无明确 license 字段，再分发授权不清

综合就绪度：中等偏上（约 3.0/5）。DREAMER 是一个「发现易、使用便、但获取受限且信号质量一般」的库——它的 AI-Ready 短板集中在获取门槛（restricted）与许可不明确，而长板在于文档与工具链成熟度。对已经跨过申请门槛的研究者，它是一个即插即用的标准件；对自动化数据流水线，restricted 访问是一个需要人工介入的断点。

8.1 DAIMS 各维度的改进建议

• 可访问性：若作者将记录转为 open access 或挂明确 license，该维度可跃升。
• 许可清晰度：补充 CC 类许可声明可显著提升可复用性。
• 信号质量：属硬件固有限制，无法通过发布方式改善，使用者需接受。
• 规模充分性：可考虑后续扩充受试者形成 v2，但当前仅有 v1。

8.2 DAIMS 细项评分（24 项 checklist）

为便于逐项核对，下表把 DREAMER 的 AI-Ready 就绪度拆到 24 个细项：

#	细项	判定	说明
1	官方唯一标识	是	Zenodo record 546113 + 论文 DOI
2	持久标识（DOI）	是	记录 DOI 与论文 DOI 均有
3	可发现入口	是	Zenodo 页面、论文、工具链
4	直接下载（无门槛）	否	restricted 需申请
5	明确 license	否	无 license 字段
6	数据格式文档	是	.mat 结构有社区文档
7	元数据自描述	是	采样率、评分、刺激元数据内嵌
8	模态完整	部分	EEG+ECG 有，外周生理缺
9	标签完整性	是	三维评分齐全无缺
10	标签客观性	否	自评主观，无第三方
11	标签信度报告	否	无 test-retest 信度数据
12	样本规模	弱	23 人偏小
13	受试者多样性	弱	健康成人，无病理层
14	信号采样率文档	是	128 / 256 Hz 明确
15	高频可用性	否	128 Hz 限制 gamma
16	电极位文档	是	10-20 系统 14 通道
17	基线协议	是	逐段中性基线，文档齐全
18	划分协议建议	部分	社区通行被试内/外，作者未强制
19	基准模型提供	是	TorchEEG 等内置
20	复现脚本	部分	工具链提供，非官方仓库
21	版本管理	是	Zenodo v1，概念 DOI 稳定
22	更新维护	弱	仅 v1，无内容更新
23	伦理审查声明	是	论文声明受试者知情同意
24	引用规范	是	论文与数据集双重引用

统计：24 项中「是」14 项、「部分」3 项、「弱」4 项、「否」3 项。短板集中在可访问性（第 4、5 项）与标签客观性/信度（第 10、11 项）——这两组恰是「申请制主观标注库」的共性特征，非 DREAMER 独有缺陷。

§9 与库内条目的关系

9.1 家族图谱

DREAMER 在千方病案医数集库内可关联的条目及其定位：

库内条目（rid）	关系类型	关联说明
deap（332）	直接对照	EEG 情感识别鼻祖库，医疗级设备 vs DREAMER 消费级设备，是最自然的对标对象
dreamt（650）	易混名	同名前缀，但 DREAMT 是可穿戴睡眠呼吸暂停检测数据集，任务完全不同（坑 1）
bci-competition-iv-2a（352）	范式对照	EEG 运动想象经典库，实验范式（运动想象 vs 情感诱发）差异明显
bonn-eeg（322）	领域邻居	EEG 领域库内其他条目
hbn-eeg（362）	领域邻居	EEG 领域库内其他条目
mmash（804）	模态邻居	可穿戴多模态生理信号库
scientisst-move（808）	模态邻居	可穿戴多模态生理信号库
grabmyo（1019）	模态邻居	可穿戴多模态生理信号库
apnea-ecg（658）	模态对照	ECG 单模态对照，与 DREAMER 的 ECG 通道形成呼应

9.2 检索路径建议

• 想找情感识别 EEG 库的全景：DREAMER ↔ DEAP ↔ AMIGOS ↔ MAHNOB-HCI 互相检索。
• 想找可穿戴生理多模态：DREAMER ↔ mmash ↔ scientisst-move ↔ grabmyo。
• 想避免DREAMT 混淆：检索时务必加上 “emotion”/“EEG” 等限定词，或直接按 rid 定位。
• 想找ECG 单模态：DREAMER ↔ apnea-ecg 对照。

9.3 建议互链点（供发布侧参考）

正文可互链条目（按相关度排序）：deap（332）（首要，医疗级 vs 消费级对照）、dreamt（650）（消歧）、bci-competition-iv-2a（352）、mmash（804）、scientisst-move（808）。

9.4 血缘与谱系

DREAMER 在情感识别数据库谱系中的血缘关系可这样梳理：

情感识别生理库谱系
├── 早期多模态：DEAP (2011, 医疗级 EEG+外周, 32 人) ──┐
│                                                    │
├── 视频多模态：MAHNOB-HCI (2011, 27 人) ────────────┤── 共同的"多维情感 + 生理信号"范式
│                                                    │
├── 群体情感：AMIGOS (2015, 40 人) ──────────────────┘
│
└── 消费级设备开创：DREAMER (2017, 消费级 EEG+ECG, 23 人)  ← 本条目
        │
        └── 影响：可穿戴情感计算"设备平替"路线的早期实证锚点

DREAMER 与 DEAP 的关系最密切：二者共享「多维情感自评 + 生理信号」的范式骨架，但 DREAMER 把设备从医疗级降到消费级、把刺激从音乐换成电影、把评分从 1-9 换成 1-5。可以说 DREAMER 是「DEAP 范式的低配设备版本」，而它的贡献正是证明这种低配不影响可行性。

9.5 检索防混清单

由于库内存在多个 EEG 相关条目，检索时按下表核对，避免混淆：

易混条目	关键词辨识	与本条目差异
dreamt（650）	sleep apnea / 睡眠呼吸暂停	任务完全不同（睡眠检测）
deap（332）	医疗级 / 音乐视频 / 1-9 分	设备与刺激均不同
bci-competition-iv-2a（352）	motor imagery / 运动想象	范式不同（非情感）
bonn-eeg（322）	癫痫 / epilepsy	疾病不同
hbn-eeg（362）	儿童 / developmental	人群不同

§10 避坑清单：十个已踩过的坑

每个坑按「现象 → 成因 → 后果 → 对策」四段式展开，便于检索时快速定位。

坑 1：DREAMER ≠ DREAMT（同名前缀撞库）

• 现象：检索或引用时把 DREAMER 与 DREAMT 当作同一数据集。
• 成因：二者名称前缀相同，且都在「可穿戴生理信号 + 标签」的大类下。
• 后果：把情感识别库的规格套到睡眠呼吸暂停检测任务上，方法与结论全错。
• 对策：核对全称——DREAMER 是情感识别 EEG+ECG 库，DREAMT（rid 650）是睡眠呼吸暂停检测库。

坑 2：把 restricted 当成 open——「公开」不等于「可匿名下载」

• 现象：以为点开 Zenodo 页面即可下载 DREAMER.mat。
• 成因：记录页描述文字写 “made publicly available”，与实际字段状态不一致。
• 后果：自动化流水线在下载步骤静默失败，或误信过时教程。
• 对策：认清 access_right=restricted，走登录申请流程（详见 §5.2 双口径存照）。

坑 3：评分维度被误写成五维

• 现象：按五维（含 like/dislike、familiarity）设计模型。
• 成因：TorchEEG 等二次文档写五维，疑与 DEAP/MAHNOB-HCI 混写。
• 后果：标签维度对齐错误，模型输入输出错位。
• 对策：一律以原论文三维（效价/唤醒/支配）为准。

坑 4：评分范围被误写成 0-5

• 现象：数据归一化或阈值设定按 0-5 处理。
• 成因：个别来源（Nature 子刊 2022 表格）写 0-5，属孤例笔误。
• 后果：二分类阈值、归一化区间偏移，结果系统性偏差。
• 对策：按 1-5 成稿与建模，逐源核对。

坑 5：受试者人数被误写成 25

• 现象：引用时说 DREAMER 有 25 名受试者。
• 成因：某来源写 “25 (23)”（25 招募、23 可用），被简读为 25。
• 后果：样本量引用错误，影响方法学描述的可信度。
• 对策：按 23 成稿，注明 25 为招募数。

坑 6：片段时长口径不一致

• 现象：写 60-391 秒（旧世代口径）。
• 成因：不同来源世代口径漂移。
• 后果：刺激时长描述与一手来源不符。
• 对策：本轮三源（PDF、Frontiers、PMC）一致为 65-393 秒、均值 199 秒，按此成稿。

坑 7：以为 DREAMER 有 GSR/呼吸/皮温通道

• 现象：设计多模态融合时假定有外周生理信号。
• 成因：与 DEAP（含 8 通道外周）记忆混淆。
• 后果：模态规划落空，实验无法执行。
• 对策：牢记 DREAMER 只有 EEG + ECG；需外周信号请用 DEAP。

坑 8：忽略 128 Hz 的奈奎斯特上限

• 现象：对 DREAMER 做 gamma 或高频振荡分析。
• 成因：未注意 EEG 输出仅 128 Hz（上限约 64 Hz）。
• 后果：高频结论不可靠，甚至完全无效。
• 对策：频带分析限制在 ≤64 Hz；高频研究改用高采样率库。

坑 9：跨论文直接比较准确率而不核对评估协议

• 现象：拿 A 论文的 90% 与 B 论文的 70% 直接比优劣。
• 成因：忽略被试内/被试外、阈值、目标维度三重差异。
• 后果：得出错误的「谁更强」结论。
• 对策：比较前必须核对三点（见 §6.4），否则数字不可比。

坑 10：误以为有明确开源许可可自由分发

• 现象：把 DREAMER 数据重新托管到公开平台。
• 成因：restricted 记录未挂 license，易被默认当作开源。
• 后果：潜在授权侵权，且违反学术数据再分发惯例。
• 对策：再分发前确认作者授权；无明确许可前不公开发布。

§11 总结

11.0 使用前必读：给三类读者的最短路径

在进入总结之前，先给三类典型读者一条最短路径，避免在海量细节中迷路：

• 只想快速判断要不要用：读 §1 十问十答 + §11.4 决策卡 + §9.5 检索防混清单，三分钟可决策。
• 准备实际下载并使用：读 §5 获取许可（restricted 申请流程）+ §6.7 复现工程细节 + 附录 N 检查清单。
• 做方法研究或写论文：读 §4 标注体系 + §6 评估基准 + §6.4 读表纪律 + 附录 D 双口径存照，确保数字可比与口径正确。

11.1 三句话总结

1. DREAMER 是首个系统性主打「低成本、低功耗、无线、开箱即用」设备的情感生理数据库——23 名受试者、18 段电影片段、Emotiv EPOC 14 通道 EEG + Shimmer2 2 通道 ECG、三维 1-5 分自评。
2. 它的核心贡献在设备维度而非规模维度：证明消费级设备采集的信号能达到与 DEAP 等医疗级数据库可比的分类性能，为可穿戴情感计算落地提供了实证锚点。
3. 使用时须紧盯三条边界：Zenodo restricted 申请制（非匿名直取）、无明确开源 license、小样本 + 主观标签 + 高频受限。

11.2 适合谁

• 情感计算 / 生理信号研究者：需要标准小样本库验证新特征、新模型。
• EEG 深度学习方法开发者：借 TorchEEG 等工具链快速跑通情感识别管线。
• 可穿戴设备研究团队：对标消费级与医疗级设备的性能差距。
• EEG 基础模型评测者：作为跨数据集评测的标准测试床之一。
• 教学场景：作为多模态生理信号 + 主观标签的入门数据集，结构清晰、文档充分。

11.3 不适合谁

• 需要大样本泛化结论的研究：23 人无法支撑强泛化主张。
• 需要高频神经振荡的研究：128 Hz 输出限制 gamma 段分析。
• 需要临床病理样本的研究：仅健康志愿者。
• 需要 GSR/呼吸/皮温等外周信号的研究：DREAMER 只有 EEG + ECG。
• 需要无缝自动化流水线的工程：restricted 申请制是一个人工断点。
• 需要明确开源许可再分发的研究：无 license 字段，授权需确认。

11.4 30 秒决策卡

问题	答案
这是什么？	消费级可穿戴设备的多模态情感生理数据库（EEG+ECG+自评）
谁做的？	西苏格兰大学 Katsigiannis & Ramzan（IEEE JBHI 2018）
多大？	23 人 × 18 段 = 414 组记录
什么信号？	14 通道 EEG 128 Hz + 2 通道 ECG 256 Hz
什么标签？	效价/唤醒/支配 三维 1-5 分自评
怎么拿？	Zenodo 546113，restricted 需申请
能免费再分发吗？	无明确 license，需确认作者授权
典型任务？	三维二分类（阈值 3）/ 回归
一句话卖点？	证明消费级设备能承担情感识别

11.5 一句话索引（给检索者）

• 要数字 → 见附录 C 硬数字来源对照表。
• 要口径 → 见附录 D 双口径存照登记表。
• 要获取 → 见 §5 与附录 E 决策树。
• 要复现 → 见 §6.7 复现工程细节与附录 N 检查清单。
• 要对比 → 见 §2.6、附录 G、附录 O。
• 要避坑 → 见 §10 与附录 H。

11.6 三条不可动摇的引用纪律

无论出于何种用途，引用 DREAMER 时请守住三条纪律，它们覆盖了本条目全部存照的核心：

1. 维度认三维，不认五维——以原论文为准，TorchEEG 二次文档口径存照不改。
2. 公开认 restricted，不认 open——描述文字与字段状态冲突时，以字段状态（restricted）为准。
3. 规模认 23 人，不认 25——招募数不等于可用样本数。

守住这三条，DREAMER 的引用就不会出现方向性错误。

FAQ（高频问答 42 问）

A. 基础认知

Q1：DREAMER 的中文名是什么？
无官方中文名，通常直译为「DREAMER 情感识别数据库」，全称《DREAMER: A Database for Emotion Recognition through EEG and ECG Signals from Wireless Low-cost Off-the-Shelf Devices》。

Q2：DREAMER 是缩写吗？
它是一个数据集代号（数据集名称），并非严格的首字母缩写——论文中作为该数据库的名字使用。

Q3：它属于哪个研究领域？
情感计算（affective computing）/ 情感识别（emotion recognition）/ 生理信号处理 / 脑机接口外围方向。

Q4：谁做的、哪个机构？
Stamos Katsigiannis 与 Naeem Ramzan，University of the West of Scotland（西苏格兰大学，英国苏格兰佩斯利）。

Q5：什么时候发布的？
论文 IEEE JBHI 2018 年 1 月卷期（2017 年在线），Zenodo 记录 2017-04-13 发布，唯一版本 v1。

Q6：发表在哪个期刊？
IEEE Journal of Biomedical and Health Informatics，DOI 10.1109/JBHI.2017.2688239。

Q7：它和 DEAP 什么关系？
同类库（都是多维情感 EEG 库），但 DREAMER 主打消费级设备、DEAP 用医疗级设备。DREAMER 常以 DEAP 为对标。

Q8：它和 DREAMT 是同一个吗？
不是。DREAMT（库内 rid 650）是可穿戴睡眠呼吸暂停检测数据集，与本库任务完全不同，仅前缀相似。

B. 数据与获取

Q9：DREAMER 有多少受试者？
23 名健康成人（14 男 / 9 女，年龄 22-33 岁，均值 26.6 岁）。

Q10：有多少段刺激？
18 段电影片段，覆盖九类目标情绪（愤怒、恐惧、平静、愉悦、悲伤、惊讶、厌恶、快乐、兴奋）。

Q11：片段多长？
65-393 秒，平均 199 秒。

Q12：EEG 什么规格？
Emotiv EPOC 无线头环，14 通道，128 Hz（设备内部由 2048 Hz 下采样）。

Q13：ECG 什么规格？
Shimmer2 无线传感器，2 通道，256 Hz。

Q14：有几种信号模态？
两种：EEG 和 ECG。没有 GSR、呼吸、皮温、眼电、肌电。

Q15：标签怎么来的？
每段看完后受试者立即自评效价/唤醒/支配，各 1-5 分。全库无第三方专家注释。

Q16：总记录数多少？
23 × 18 = 414 组，每组含 EEG + ECG + 三维评分（前置基线另计）。

Q17：数据什么格式？
单文件 MATLAB .mat（DREAMER.mat）。

Q18：文件多大？
文件本体大小未从 Zenodo 公开（restricted 记录文件列表不对外），列为遗留疑点。

Q19：怎么下载？
登录 Zenodo，访问 record 546113，提交访问申请，获批后下载。

Q20：要花钱吗？
记录本身不标价，但 restricted 需申请；授权条款以记录页与论文为准。属于「申请制免费」性质，非付费购买。

Q21：access_right 是什么？
restricted（受限），需申请，非 open、非 embargo。

Q22：有 license 吗？
记录未挂 license 字段，无明确开源许可。

Q23：可以直接再分发吗？
不宜。无明确许可前，不应将数据重新托管公开发布；再分发须先确认作者授权。

Q24：有版本更新吗？
只有 v1（唯一版本）。2024-08 的修订是元数据层面（revision 15），非数据内容迭代。

C. 标注与方法

Q25：评分维度是几维？
原论文三维（valence/arousal/dominance）。TorchEEG 文档写五维，属误写，以三维为准。

Q26：评分范围是多少？
1-5 分。个别来源写 0-5，属孤例笔误。

Q27：二分类阈值为什么是 3？
1-5 量表的中间点，常作为高低切分线。不同论文口径可能不同，比较时须核对。

Q28：基线是怎么设计的？
每段情感片段前先播中性视频并采一段基线，逐段对应，供差分归一化。

Q29：TorchEEG 默认基线取多长？
约 61 秒（前 61 个时间块）。

Q30：常用什么特征？
频带微分熵（BDE）、功率谱密度；ECG 侧用心率与 HRV。

D. 使用与评估

Q31：跨被试性能为什么低？
小样本（23 人）+ 个体标签锚定差异 + 个体生理差异，导致被试外泛化显著弱于被试内。

Q32：怎么比较不同论文的数字？
先核对三点：评估协议（被试内/被试外）、二分类阈值、目标维度（效价/唤醒/支配）。三者不一致则不可比。

E. 复现与工程

Q33：用什么工具加载 .mat 最好？
MATLAB 原生 load；Python 用 scipy.io.loadmat（旧版 .mat）或 h5py（v7.3）。TorchEEG 已封装好加载逻辑，最省事。

Q34：EEG 和 ECG 采样率不同怎么办？
必须重采样到同一时间基准（128 或 256 Hz）再做多模态融合，否则时间错位（见 §2.7）。

Q35：基线错配有什么后果？
表现为性能异常低且不稳定，却不报错，是复现失败最常见根因之一（见 §6.7）。

Q36：1 秒窗是最优的吗？
不是定论。1 秒（128 点）是社区常见选择，窗长与重叠率是可调超参，会显著影响样本数与性能。

Q37：为什么我的准确率比别人低很多？
先排查六种常见错误：基线错配、采样率未对齐、标签维度错、阈值不当、数据泄漏、频带越界（见 §6.8）。

Q38：能不能用 DREAMER 做迁移学习预训练？
可以，且是常见用法。但注意 23 人小样本的目标域与源域差异，需谨慎验证。

F. 对比与选型

Q39：DREAMER 和 DEAP 到底选哪个？
看三点：要消费级设备可行性选 DREAMER；要更多外周模态与大通道数选 DEAP；要 9 级评分选 DEAP。

Q40：DREAMER 能和 AMIGOS 合并用吗？
技术上可做跨库合并，但需处理标签尺度、模态集合、采样率差异，且评估协议要重新设计。

Q41：DREAMER 适合做实时情感监测原型吗？
适合作为算法可行性验证，但受限 23 人小样本与自评标签，离产品级实时系统还有距离。

Q42：DREAMER 现在过时了吗？
作为方法验证基准不过时（仍被广泛引用与内建于工具链）；但作为最新大规模数据源，其规模已被后续库超越。

事实清单（硬事实 42 条）

1. 全称：DREAMER: A Database for Emotion Recognition through EEG and ECG Signals from Wireless Low-cost Off-the-Shelf Devices
2. 类型：多模态情感诱发生理信号数据库（EEG + ECG + 主观自评）
3. 机构：University of the West of Scotland（西苏格兰大学，英国）
4. 作者：Stamos Katsigiannis、Naeem Ramzan
5. 采集贡献者：Thomas Cuntz、Sebastian Palke
6. 期刊：IEEE Journal of Biomedical and Health Informatics
7. 卷期页：vol. 22, no. 1, pp. 98-107, Jan. 2018
8. 论文 DOI：10.1109/JBHI.2017.2688239
9. Zenodo 记录号：546113
10. Zenodo conceptrecid：796158
11. Zenodo 记录 DOI：10.5281/zenodo.546113
12. Zenodo 首次发布：2017-04-13
13. Zenodo 版本：v1（唯一版本，is_last=true）
14. Zenodo 最近修订：2024-08-03（revision 15）
15. Zenodo 访问状态：restricted
16. Zenodo 统计（抓取时点）：views 75,480（unique 60,000）
17. Zenodo 统计（抓取时点）：downloads 20,684（unique 11,105）
18. 受试者数：23 名健康成人
19. 性别分布：14 男 / 9 女
20. 年龄范围：22-33 岁
21. 年龄均值：26.6 岁
22. 会话设计：每人单次会话看完全部片段
23. 刺激数：18 段电影片段
24. 片段时长：65-393 秒
25. 片段时长均值：199 秒
26. 目标情绪类别数：9 类（anger、fear、calm、amusement、sadness、surprise、disgust、happiness、excitement）
27. EEG 设备：Emotiv EPOC
28. EEG 通道数：14（10-20 系统）
29. EEG 输出采样率：128 Hz
30. EEG 内部采样率：2048 Hz（设备端下采样）
31. ECG 设备：Shimmer2
32. ECG 通道数：2
33. ECG 采样率：256 Hz
34. 评分维度：效价（valence）、唤醒度（arousal）、支配度（dominance）
35. 评分范围：1-5 分
36. 评分为自评（self-assessment），无第三方注释
37. 基线：每段片段前观看中性视频采集
38. 总记录数：23 × 18 = 414 组
39. 分发格式：单文件 DREAMER.mat（MATLAB）
40. license：记录无 license 字段（无明确开源许可）
41. 许可双口径：描述写 publicly available，实际 access_right=restricted
42. 核心主张：消费级设备分类性能与医疗级设备数据库可比

术语表（30 条）

1. DREAMER：本条目数据集名称，消费级可穿戴 EEG+ECG 情感识别数据库。
2. EEG（Electroencephalography，脑电图）：记录大脑皮层电活动的生理信号，此处为 14 通道 128 Hz。
3. ECG（Electrocardiography，心电图）：记录心脏电活动的信号，此处为 2 通道 256 Hz。
4. Emotiv EPOC：消费级无线 14 通道 EEG 头环，盐水电极。
5. Shimmer2：科研级可穿戴生理传感器平台，此处采集 ECG。
6. valence（效价）：情绪的正负愉悦度维度。
7. arousal（唤醒度）：情绪的激活/激动程度维度。
8. dominance（支配度）：主观掌控感维度。
9. SAM（Self-Assessment Manikin）：经典图形化情感自评量表，DREAMER 自评风格接近之。
10. PAD 模型（Pleasure-Arousal-Dominance）：三维情感模型，DREAMER 标签框架来源。
11. baseline（基线）：情感刺激前的中性状态信号，供差分归一化。
12. trial：一次「刺激—响应—标签」完整记录单元。
13. subject-dependent（被试内）：同一受试者数据划分训练/测试。
14. subject-independent（被试外）：留出受试者做跨个体泛化测试。
15. Differential Entropy（微分熵）：常用 EEG 频带特征。
16. BDE（Band Differential Entropy，频带微分熵）：按频带计算的微分熵特征。
17. PSD（Power Spectral Density，功率谱密度）：频域功率分布特征。
18. HRV（Heart Rate Variability，心率变异性）：ECG 派生的自主神经活动指标。
19. HR（Heart Rate，心率）：每分钟心搏数。
20. 10-20 系统：国际标准 EEG 电极放置系统。
21. Nyquist frequency（奈奎斯特频率）：可无混叠分析的最高频率，此处约 64 Hz。
22. artifact（伪迹）：非神经源信号干扰，如眼动、肌电、电极漂移。
23. restricted（受限访问）：Zenodo 需申请审批的访问模式。
24. conceptrecid：Zenodo 中标识「同一数据集所有版本」的父记录 ID。
25. DEAP：医疗级 EEG 情感识别基准库，常与 DREAMER 对照。
26. MAHNOB-HCI：多模态情感数据库，27 人。
27. AMIGOS：多模态情感数据库，40 人。
28. affective computing（情感计算）：研究机器识别与响应情感的计算领域。
29. BCI（Brain-Computer Interface，脑机接口）：脑信号与外部设备直接交互的技术。
30. foundation model（基础模型）：大规模预训练、可迁移到多任务的模型。

附录

附录 A：条目信息速查卡

项	值
slug	dreamer
rid（建议）	占位，发布侧分配
官方名	DREAMER
全称	DREAMER: A Database for Emotion Recognition through EEG and ECG Signals from Wireless Low-cost Off-the-Shelf Devices
机构	University of the West of Scotland
论文	IEEE JBHI 2018;22(1):98-107
论文 DOI	10.1109/JBHI.2017.2688239
Zenodo	record 546113 / conceptrecid 796158 / v1
访问	restricted（申请制）
license	无明确字段
主要互链	deap(332)、dreamt(650)、bci-competition-iv-2a(352)、mmash(804)、scientisst-move(808)

附录 B：DAIMS 评估全表

见 §8 主表。综合就绪度约 3.0/5，长板为文档与工具链、短板为可访问性与许可清晰度。

附录 C：硬数字来源对照表

硬数字	来源
23 名受试者 / 14 男 9 女	原论文、Zenodo 描述
18 段片段 / 65-393 秒 / 均值 199 秒	原论文、Frontiers、PMC 综述三源互证
九类情绪	原论文、Zenodo 描述
14 通道 EEG / 128 Hz	原论文、TorchEEG 文档
2 通道 ECG / 256 Hz	原论文、TorchEEG 文档
三维 1-5 分	原论文、Zenodo 描述、多篇综述
Zenodo 546113 / v1 / 2017-04-13	Zenodo 记录页
restricted 状态	Zenodo 记录页字段

附录 D：双口径存照登记表

编号	分歧点	口径 A	口径 B	本条目采纳
1	评分维度	三维（原论文）	五维（TorchEEG）	三维
2	评分范围	1-5（多数）	0-5（Nature 2022 表格）	1-5
3	受试者人数	23	25 (23)（Nature 2022）	23
4	片段时长	65-393 秒（本轮三源）	60-391 秒（旧世代）	65-393 秒
5	公开性	publicly available（描述）	restricted（字段）	restricted
6	年龄	22-33 岁（Nature）	均值 26.6（Frontiers）	两者并存

附录 E：数据获取决策树

需要 DREAMER 吗？
├─ 任务是多维情感识别 + 消费级设备可行性 → 是，继续
│   ├─ 需要匿名直下？ → 否（restricted），走 §5 申请流程
│   ├─ 需要 GSR/呼吸？ → 是，改用 DEAP
│   ├─ 需要高频振荡？ → 是，DREAMER 128 Hz 不适用
│   └─ 需要再分发数据？ → 先确认作者授权
└─ 任务是大样本泛化 / 临床病理 → 否，选其他库

附录 F：TorchEEG 加载骨架（示意）

# TorchEEG DREAMER 数据集加载示意（版本以实际安装为准）
from torcheeg.datasets import DREAMERDataset
from torcheeg import transforms

dataset = DREAMERDataset(
    mat_path='./DREAMER.mat',          # 需先按 §5 申请获得
    online_transform=transforms.Compose([
        transforms.BandDifferentialEntropy(),
    ]),
    label_transform=transforms.Compose([
        transforms.Select('valence'),  # 亦可选 arousal / dominance
        transforms.Binary(3.0),        # 阈值 3 二分类
    ]),
)

附录 G：与 DEAP 的选择对照表

需求	选 DREAMER	选 DEAP
消费级设备可行性	✔	✘
更长的情绪刺激	✔（电影 65-393 秒）	✘（音乐 60 秒）
更多外周生理模态	✘	✔
更大 EEG 通道/采样率	✘	✔
9 级评分刻度	✘（1-5）	✔（1-9）
更少受试者	23 人	32 人

附录 H：坑点档案（与 §10 对照）

坑号	一句话	详见
坑 1	DREAMER ≠ DREAMT	§10、§9.1
坑 2	restricted ≠ 匿名直取	§5.2、§10
坑 3	三维被误写五维	§3.4、§10
坑 4	1-5 被误写 0-5	§3.4、§10
坑 5	23 人被误写 25	§10
坑 6	片段时长口径	§10
坑 7	误以为有 GSR/呼吸	§2.4、§10
坑 8	128 Hz 奈奎斯特上限	§2.3、§10
坑 9	跨论文乱比准确率	§6.4、§10
坑 10	误以为可自由再分发	§5.3、§10

附录 I：情感识别数据库景观总表

库	年份	受试者	刺激	设备	模态	获取
DREAMER	2017	23	18 电影	消费级	EEG+ECG	restricted
DEAP	2011	32	40 音乐	医疗级	EEG+外周	申请
MAHNOB-HCI	2011	27	多模态视频	实验室级	EEG+外周+视频	申请
AMIGOS	2015	40	视频/片段	实验室级	EEG+外周+视频	申请
SEED	2015	15	电影片段	实验室级	EEG	申请

附录 J：引文规范

引用本数据集时，推荐同时引用论文与 Zenodo 记录：

• Katsigiannis, S., & Ramzan, N. (2018). DREAMER: A Database for Emotion Recognition Through EEG and ECG Signals From Wireless Low-cost Off-the-Shelf Devices. IEEE Journal of Biomedical and Health Informatics, 22(1), 98-107. doi:10.1109/JBHI.2017.2688239
• Katsigiannis, S., & Ramzan, N. (2017). DREAMER: A Database for Emotion Recognition through EEG and ECG Signals from Wireless Low-cost Off-the-Shelf Devices [Data set]. Zenodo. doi:10.5281/zenodo.546113

附录 K：本条目生产档案

• 写作代理：agent-d-dreamer
• 生成日期：2026-10-13
• 资料来源：Zenodo 记录页、IEEE JBHI 论文、TorchEEG 文档、多篇独立综述三源互证
• 核验方式：WebSearch/WebFetch 一手来源交叉验证；slug 查重（DB + writing/）

附录 L：缩写速查

缩写	全称	中文
EEG	Electroencephalography	脑电图
ECG	Electrocardiography	心电图
HRV	Heart Rate Variability	心率变异性
SAM	Self-Assessment Manikin	自评人形量表
PAD	Pleasure-Arousal-Dominance	愉悦-唤醒-支配模型
BDE	Band Differential Entropy	频带微分熵
PSD	Power Spectral Density	功率谱密度
BCI	Brain-Computer Interface	脑机接口
DAIMS	Dataset AI-Readiness Maturity Scoring	数据集 AI 就绪度评估

附录 M：遗留疑点登记

编号	疑点	现状
1	DREAMER.mat 文件本体大小	restricted 记录文件列表不对外，未能核实
2	restricted 访问申请的审批时效	无公开 SLA
3	设备端 2048→128 Hz 下采样滤波特性	未在数据/论文中完整公开
4	各片段与九类情绪的一一对应清单	数据内含元数据，未在记录页完全列出

附录 N：给模型开发者的检查清单（10 项）

1. 是否已通过申请获得数据（restricted）？
2. 是否确认任务使用三维（非五维）标签？
3. 评分范围是否按 1-5 处理？
4. 二分类阈值是否与对比论文一致（常取 3）？
5. 评估协议是否明确声明（被试内/被试外）？
6. 是否利用逐段基线做归一化？
7. 频带边界是否与 128 Hz 采样率匹配（≤64 Hz）？
8. 是否报告多次随机划分的均值与方差？
9. 是否区分报告效价/唤醒/支配三个维度的性能？
10. 是否核对二次文档（如 TorchEEG）与原论文的口径差异？

附录 O：与 DEAP 的逐字段对照（详细版）

字段	DREAMER	DEAP
发布年份	2017	2011
受试者数	23	32
性别	14 男 / 9 女	未强调均衡
刺激类型	电影片段	音乐视频
刺激数	18	40
刺激时长	65-393 秒	各 60 秒
EEG 设备	Emotiv EPOC（消费级）	Biosemi ActiveTwo（医疗级）
EEG 通道	14	32
EEG 采样率	128 Hz	512 Hz
外周生理	ECG 2 通道	GSR/呼吸/皮温/血容等
评分维度	效价/唤醒/支配（3）	效价/唤醒/支配/喜好（4）
评分刻度	1-5	1-9
获取	Zenodo restricted	官网申请
单文件组织	是（DREAMER.mat）	否（按被试分文件）

附录 P：三类研究场景的推荐用法

场景	推荐任务	推荐协议	提醒
新特征/新模型验证	三维二分类	被试内 + 被试外都报	声明阈值与维度
跨被试泛化研究	被试外	留一被试	注意小样本方差
可穿戴设备对标	与 DEAP 对照	同协议对比	区别设备与模态差异

附录 Q：数据伦理与合规提示

• 受试者为健康志愿者，论文声明采集经伦理审查与知情同意（引用时以论文为准）。
• 数据虽名"公开"，但实际为 restricted 申请制，且无明确 license，二次分发前须确认授权。
• 涉及人类受试者数据的再分发与商用，须遵循 Zenodo 记录页与作者给出的条款。
• 本条目仅作数据描述，不构成任何授权或法律意见。

附录 R：维护计划与触发点

触发点	动作
Zenodo 记录转为 open 或挂 license	更新 §5、§8 的可访问性与许可评分
出现 v2 版本	更新版本链与 §5.4
文件大小等遗留疑点澄清	回填 §2.5 与附录 M
社区口径（维度/范围）进一步收敛	更新附录 D 双口径登记

附录 S：本条目与其他 AI-Ready 条目的互链声明

本条目正文建议与库内 deap（332）、dreamt（650）、bci-competition-iv-2a（352）、mmash（804）、scientisst-move（808）互链，以构建「情感识别 × 可穿戴生理信号」的知识网络。互链的消歧说明（尤其与 dreamt 的区分）写在正文 §9.1 与 §9.5，不进入 frontmatter 的 relatedLink 字段。

尾注

[1] Katsigiannis S, Ramzan N. DREAMER: A Database for Emotion Recognition Through EEG and ECG Signals From Wireless Low-cost Off-the-Shelf Devices. IEEE J Biomed Health Inform. 2018;22(1):98-107. doi:10.1109/JBHI.2017.2688239.

[2] Katsigiannis S, Ramzan N. DREAMER [Data set]. Zenodo. 2017. doi:10.5281/zenodo.546113. 记录页：https://zenodo.org/records/546113.

[3] TorchEEG 官方文档，DREAMERDataset 数据加载与预处理说明。

[4] 情感识别数据库综述文献（DEAP / MAHNOB-HCI / AMIGOS 对照口径）。

[5] EEG 基础模型评测工作（arXiv 2511.08861，EEG-X）中 DREAMER 的评测设置。

---

条目声明：本条目为千方病案医数集 AI-Ready Wikipedia 数据集的机器可读百科条目，所有硬数字均经一手来源核验，口径分歧已在附录 D 存照。数据许可与获取以 Zenodo 官方记录页为准。本条目不构成对数据再分发授权的任何声明。

---

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：

• ephnogram — 共享标签：生理信号 / 心电信号 / 可穿戴传感 / 多模态
• qol-stress — 共享标签：生理信号 / 心电信号 / 可穿戴传感 / 多模态
• cardiowave-portable — 共享标签：生理信号 / 心电信号 / 可穿戴传感 / 多模态
• brain-wearable-monitoring — 共享标签：生理信号 / 脑电信号 / 心电信号 / 可穿戴传感
• mental-fnirs — 共享标签：生理信号 / 脑电信号 / 可穿戴传感 / 多模态
• multimodal-gait-dataset — 共享标签：生理信号 / 脑电信号 / 可穿戴传感 / 多模态
• wesad — 共享标签：生理信号 / 可穿戴传感 / 多模态
• wearable-exercise-frailty — 共享标签：生理信号 / 心电信号 / 可穿戴传感
• heartcycle — 共享标签：生理信号 / 心电信号 / 多模态
• bigp3bci — 共享标签：生理信号 / 脑电信号 / 多模态

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。