信息速览
SEED（SJTU Emotion EEG Dataset，上海交通大学情感脑电数据集）是上海交通大学计算机科学与工程系 BCMI 实验室发布的情感脑电数据集，由吕宝粮与郑伟龙团队建设。它不是一个包，而是一个系列的第一代：官方首页如今并列列出 SEED、SEED-IV、SEED-VIG、SEED-V、SEED-VII、SEED-GER、SEED-FRA、SEED-VLA/VRW、SEED-DV、SEED-SD、SEED-MYA 十余个后代，而本篇只讲最初那个 —— 十五个人、十五段电影、三个情绪类别的那一批数据。
它的形状可以用一句话概括：十五名中国受试者各看十五段约四分钟的中文电影片段，每段被预先设计为诱发正性、中性或负性情绪之一，脑电用 62 导 ESI NeuroScan 系统记录，每人重复三次、两次之间隔约一周。这批数据在 2015 年随 IEEE TAMD 论文发布，此后成为情感脑电领域最常被搬上桌面的对照基准之一，官方首页给出的口径是截至 2025 年 7 月有 2,901 所高校提交过 8,777 份申请、2,736 篇论文引用整个系列。
本篇需要提前说明一处口径差异：很多二手资料说 SEED 是「12 人」，官方实验页写的是 15 人，其中 12 人同时有眼动数据。两个数字都能在官方站找到出处，区别在于你取的是纯脑电子集还是多模态子集。下面凡是涉及人数，都会标明是哪一部分，凡是从论文转述而非官方页明写的，也会逐处标注。一屏速览见下表。
| 维度 | 内容 |
|---|---|
| 官方全名 | SJTU Emotion EEG Dataset（SEED） |
| 建设机构 | 上海交通大学 BCMI 实验室（吕宝粮、郑伟龙） |
| 首发年份 | 2015（IEEE TAMD 7(3): 162-175） |
| 受试者 | 15 名中国学生，7 男 8 女，均值 23.27 岁 |
| 每人实验次数 | 3 次，间隔约一周 |
| 每次试次数 | 15 个电影片段试次 |
| 单段时长 | 约 4 分钟 |
| 电极数 | 62 导，国际 10-20 系统 |
| 采集设备 | ESI NeuroScan 系统 + SMI 眼动眼镜 |
| 原始采样率 | 1000 Hz（SEED_Multimodal 的 .cnt） |
| 预处理采样率 | 200 Hz，0–75 Hz 带通（Preprocessed_EEG） |
| 情绪类别 | 正性 +1 / 中性 0 / 负性 -1，共三类 |
| 刺激材料 | 15 段中文电影片段，每类 5 段 |
| 数据分卷 | SEED_EEG（15 人）与 SEED_Multimodal（12 人） |
| 文件数 | 45 个 .mat（15 人 × 3 次） |
| 许可 | 学术专用许可协议，需签署并审批 |
| 取用方式 | 下载协议 → 填写上传 → 人工审核 → 邮件发链接 |
§1 它要解决的具体麻烦
1.1 一句话结论：它给出的是「同一批人、同一批片子、被反复看了三遍」的参考系，不是情绪本身
2015 年前后，情感脑电研究最头疼的不是算法，而是没有统一的比较台面。每个团队自己找几段视频、自己找几个同学、自己定几个类别，然后各自报准确率：我做 85%，你做 92%，谁也说不清差距来自方法还是数据。SEED 的第一个用途就是把这张台面固定下来 —— 固定的十五个人、固定的十五段片子、固定的三个类别、固定的三次重复。往后任何人在这个台面上报数字，至少可以互相比较。
这决定了它的性质：它是一份基准材料，不是一份关于人类情绪的科学样本。它的设计目标不是「覆盖情绪的全部样貌」，而是「让不同方法在同一个起跑线上被检验」。理解这一点，后面所有关于「样本太小」「人群太窄」的批评才有正确的落点 —— 这些确实是局限，但它们是设计时主动接受的代价，用来换可比性。
对使用者来说，最实际的含义是：如果你要论文里有一个别人认得的数字，用它；如果你要论证一个情绪识别系统在真实人群里可用，它远远不够，需要往外接。
1.2 三条常见的错误期待
第一条错误期待是把它当成「情感识别数据集」的通用代名词。很多人写论文时随口一句「我们在 SEED 上验证」，评审一看就知道这是三类离散标签的实验室电影诱发数据。它不是自然情绪、不是临床情绪、也不是连续维度标注。把它说成「情感计算数据集」并不算错，但会让不熟悉的人误以为它覆盖了效价与唤醒度两个连续轴 —— 它没有，它只有三个类别。
第二条错误期待是把它和 SEED-IV、SEED-V 当成同一批数据的不同版本。它们的受试者人数不同（SEED 十五人、SEED-IV 十五人但每次二十四试次、SEED-V 十六人），刺激材料不同，标签体系不同（三、四、五类）。同一批人看过不同片子，不能简单拼成一个更大的数据集。想用「类别数递进」做实验，必须各自训练、各自评估，再横着比。
第三条错误期待是把官方给好的 DE 特征当成数据本体。Extracted_Features 文件夹里是差分熵统计量，是官方为了让没有预处理流水线的团队也能快速跑分类而准备的便利品。它省掉了滤波、分窗、特征提取的整条链条，代价是把原始波形里的相位、跨频耦合、微状态等信息全部压缩掉了。以为拿到 DE 就等于拿到脑电，是使用这份数据最常见的方向性错误。
三条错误期待的共同根源，是把一份「为可比性而设计」的材料当成了「为覆盖性而设计」的材料。前者关心的是同一把尺子量不同方法，后者关心的是不同人群、不同场景、不同情绪形态都被收进来。SEED 属于前者，且它自己也从不掩饰这一点 —— 官方在说明页里把被试人数、片段数量、流程参数全部摊开写，任何读得懂的人都不会误以为它的样本量是它的卖点。
1.3 它能给到的与给不到的
| 你的需求 | 它给的 | 够不够 |
|---|---|---|
| 三类情绪的可比基线分数 | 三类人数相乘再乘轮次，业界公认的参照点 | 够，这是它最强的用途 |
| 62 导全头皮覆盖 | 国际 10-20 系统 62 导，含额、颞、顶、枕 | 够，导联密度在同类里属中上 |
| 原始波形级分析 | SEED_Multimodal 的 1000 Hz .cnt | 够，但只有 12 人有 |
| 眼动与脑电的同步多模态 | SMI 眼动眼镜记录，12 人 | 部分够，缺 3 人 |
| 连续效价与唤醒度标注 | 只有三类离散标签 | 不够，需要 DEAP 一类补充 |
| 大样本跨被试泛化 | 15 人，人口学极窄 | 不够，需外接 SEED-FRA / SEED-GER |
| 临床或自然场景情绪 | 实验室看电影，非患者 | 不够，完全不同的使用场景 |
| 逐段主观评分 | 有问卷反馈，未作为标签公开 | 部分够，只能当参考 |
1.4 你的处境与它能帮到的事
| 你的处境 | 它能帮你什么 | 下一步该做什么 |
|---|---|---|
| 第一次做情感脑电，不知道从哪下手 | 官方给了预处理数据与 DE 特征，省掉整条预处理链 | 先用 Extracted_Features 跑通一个三分类，再回头理解预处理 |
| 论文需要一个公认的对照分数 | 它是最常被引用的三分类基准之一 | 报告被试内与被试间两套数字，别只报前者 |
| 要验证跨被试泛化 | 十五人足够做留一被试交叉验证 | 接受分数会大幅下降，并横向比 SEED-FRA、SEED-GER |
| 要做多模态融合 | SEED_Multimodal 有 12 人脑电加眼动 | 先确认眼动特征表与脑电的试次编号对齐方式 |
| 要做原始信号级新方法 | 1000 Hz 的 .cnt 可用于重做预处理 | 只用 12 人，且要自己处理眼电伪迹 |
| 要做类别数更多的任务 | 它只有三类 | 转向 SEED-IV 或 SEED-V，各自建基准 |
| 要在真实产品里用 | 它的人与场景都不代表真实用户 | 完全换数据，它只能当方法原型验证 |
1.5 一句话判断
如果你的目标是让评审一眼认出你的数字属于哪条赛道，SEED 是必选项；如果你的目标是证明系统在真实人群里可靠，它只是第一块垫脚石。
1.6 不适合谁：四条边界
第一条边界，不适合需要人群多样性的人。十五名受试者全部是上海交通大学的在读学生，七男八女，年龄集中在二十出头。既没有中老年，也没有不同教育背景、不同地域或不同母语的人群。任何声称「情绪识别在人群中泛化良好」的结论，都不能只靠它支撑。
第二条边界，不适合需要自然情绪的人。受试者坐在实验室里看电影，任务是「看」而不是「生活」。诱发的情绪是短时、被动、随片段起落的，与真实生活中的情绪（持续数小时、与目标与社交纠缠）完全不是一回事。用它训练出来的模型在自然场景中掉点是常态。
第三条边界，不适合需要连续维度的人。它只有正性、中性、负性三个离散类别，没有效价与唤醒度打分，也没有情绪强度的连续标注。做维度模型（valence-arousal 平面）的研究必须另找数据，比如 DEAP 或 DREAMER。
第四条边界，不适合需要马上开工、不愿走审批的人。下载必须先签协议、上传、等待人工审核，再由邮件发出链接与密码。这不是自动化的公开数据集，任何「一条命令拉下来」的脚本都不可能工作。
§2 数据构成与规格
2.1 两个子集与四类文件
官方把 SEED 拆成两个部分。SEED_EEG 是纯脑电，覆盖全部十五人；SEED_Multimodal 是脑电加眼动，覆盖十二人。两部分的被试编号严格一致 —— 一号在一部分里是一号，在另一部分里也是一号，官方特别强调了这一点，因为跨部分对齐表时这是唯一可靠的锚。
SEED_EEG 内部又分两个文件夹。Preprocessed_EEG 装的是降采样、滤波、切段后的 MATLAB 数据，共 45 个 .mat，一名受试者的一次实验一个文件，每个文件里 15 个数组对应 15 个试次，外加一个标签数组。Extracted_Features 装的是从同一批信号里提取好的差分熵特征，以及由半球不对称电极对构造的 DASM 与 RASM，格式与 Preprocessed_EEG 一致。
SEED_Multimodal 的结构更接近原始采集现场，四个子文件夹分别是 01-EEG-raw（.cnt 原始信号，1000 Hz）、02-EEG-DE-feature（一秒与四秒滑动窗的 DE 特征，附读取源码）、03-Eye-tracking-excel（眼动原始导出表）、04-Eye-tracking-feature（pickle 格式的眼动特征，附读取源码）。另有一个 code 文件夹，装论文里用到的 SVM、KNN、逻辑回归、DNN、双模态深度自编码器、带注意力的深度典型相关分析等模型的源码，同款源码在 GitHub 上也有。
2.2 字段与文件字典
| 路径 | 内容 | 单位 | 规模 | 备注 |
|---|---|---|---|---|
| SEED_EEG/Preprocessed_EEG | 降采样切段脑电 | .mat | 45 个文件 | 每位受试者每次实验一档 |
| 文件内 eeg_1 … eeg_15 | 逐试次脑电矩阵 | 通道 × 采样点 | 每试次一组 | 通道数 62 |
| 文件内 label | 逐试次情绪标签 | 整数 | 15 个 | -1 负、0 中、+1 正 |
| SEED_EEG/Extracted_Features | 差分熵特征 | 无 | 与上同结构 | 五频段 |
| DASM | 27 对半球电极的 DE 差 | 无 | 每试次一组 | 不对称特征 |
| RASM | 27 对半球电极的 DE 比 | 无 | 每试次一组 | 不对称特征 |
| SEED_Multimodal/01-EEG-raw | 原始脑电 | .cnt | 每位受试者每次一档 | 1000 Hz |
| SEED_Multimodal/02-EEG-DE-feature | 滑窗 DE 特征 | 无 | 1 s 与 4 s 两套 | 附读取代码 |
| SEED_Multimodal/03-Eye-tracking-excel | 眼动原始导出 | .xlsx | 每人每次一组 | 眼动仪原始格式 |
| SEED_Multimodal/04-Eye-tracking-feature | 眼动特征 | pickle | 每人每次一组 | 附读取代码 |
| code/ | 论文模型源码 | .m / .py | 多套 | GitHub 亦有 |
| information.xlsx | 实验与被试元信息 | 表 | 1 个 | 含片段标签编码 |
2.3 一条记录的完整解剖
以 SEED_EEG 中某一名受试者第一次实验的一个试次为例，它不是一个独立文件，而是 .mat 文件里的一个字段。这个字段的形状是「通道 × 采样点」，通道顺序在数据集说明里给出，共 62 路。试次长度取决于对应电影片段的实际时长 —— 官方说每段约四分钟，但不同片段略有差异，因此不同试次的采样点数并不相同。这一点在拼接成长张量时必须处理，否则会报维度不匹配。
import scipy.io as sio
import numpy as np
f = sio.loadmat("Preprocessed_EEG/1_20131027.mat")
print([k for k in f.keys() if not k.startswith("__")])
#-- 输出含 eeg_1 到 eeg_15 以及 label
trial = f["eeg_1"]
print(trial.shape) #-- (62, 采样点数)
print(f["label"][0]) #-- 15 个整数，取值 -1 / 0 / 1
#-- 检查长度是否彼此一致
lens = [f[f"eeg_{i}"].shape[1] for i in range(1, 16)]
print(min(lens), max(lens))
这段代码揭示了一个细节：官方说「每段约四分钟」，但真正落到数据里，是每段各自的采样点数。四分钟在 200 Hz 下约合 48000 点，实际会在这一数量级上下浮动。做固定长度分窗（比如四秒一段）时没有问题，做整段输入时就必须写填充或截断逻辑。
2.4 三次重复与实验流程
每次实验有 15 个试次。官方的流程描述是：每段片段播放前有五秒提示，片段播放后有四十五秒自评，再休息十五秒。呈现顺序经过安排，使两段诱发同一类情绪的片段不会连续出现。受试者每看完一段就立刻填问卷报告情绪反应，这份自评是反馈，不是标签来源。
三次重复是这份数据的关键设计。它不是三次不同任务，而是同一套设计做了三遍，两次之间隔约一周。这样做的目的是检验情绪响应的稳定性：如果同一个人在隔一周后对同一类片段仍给出相似的脑电模式，那么基于它的解码才有意义。绝大多数论文把三次实验按会话划分做交叉验证，这正是官方设计意图的落点。
| 层次 | 单位 | 数量 | 时间尺度 | 用途 |
|---|---|---|---|---|
| 数据集 | 全量 | 1 | 多年积累 | 整体评估 |
| 受试者 | 人 | 15 | 跨受试者 | 留一被试验证 |
| 会话 | 次实验 | 45 | 间隔约一周 | 按会话验证 |
| 试次 | 电影片段 | 数百个试次单元 | 约四分钟 | 标签最小单位 |
| 时间窗 | 采样段 | 依分窗而定 | 秒级 | 模型输入 |
上表中的 数百个试次单元 是 三类人数相乘再乘轮次的乘积，它代表的是「试次级样本数」，不是「独立样本数」—— 同一个人对同情绪的多次曝光彼此高度相关，实际有效自由度远小于这个数。
2.5 与同类资源的字段差异
| 维度 | SEED | SEED-IV | SEED-V | 常见对比：DEAP |
|---|---|---|---|---|
| 受试者 | 15 | 15 | 16 | 32 |
| 每次试次 | 15 | 24 | 15 | 40 段一分钟音乐视频 |
| 情绪类别 | 3 类离散 | 4 类离散 | 5 类离散 | 效价与唤醒度连续评分 |
| 电极数 | 62 | 62 | 62 | 32 |
| 眼动 | 12 人有 | 有 | 有 | 无 |
| 原始采样率 | 1000 Hz | — | — | 512 Hz 降采样后 |
| 取用门槛 | 签协议审批 | 同 | 同 | 表单申请 |
| 标签来源 | 片段设计意图 | 设计意图 | 设计意图 | 受试者自评 |
这张表的重点是最后一列。DEAP 走的是自评路线，SEED 走的是设计路线。前者更贴近受试者的主观体验，后者更干净、更可控，但也更远离真实情绪。两条路线没有优劣，只有适配。
§3 核心层 A：它是基准，不是样本
3.1 「被引用次数最多的那一份」这个身份从何而来
SEED 的地位不是靠数据量撑起来的。十五个人在今天的深度学习语境里几乎可以忽略不计。它之所以被反复引用，靠的是三个时间点的巧合：第一，2015 年发布时，情感脑电正好从手工特征转向深度学习，社区急需一个大家都在用的台面；第二，官方同时给出了预处理数据和 DE 特征，极大降低了复现门槛 —— 一个研究生花一下午就能跑出一个能看的数字；第三，它被持续维护，官方首页不断追加新版本，形成了以 SEED 为名的家族，新论文往往引用整个家族而不是单篇。
这三点叠加的结果是：它变成了一个「默认选项」。默认选项的特点是，即便有更好的数据，人们在需要一个对照时还是先想起它。理解这个身份很重要，因为它解释了为什么它的局限被广泛知晓却仍然被广泛使用 —— 它的功能是参照系，而参照系的价值恰恰来自被共同使用。
3.2 三类标签的实际含义
标签是片段级别的，来源于片段挑选时的设计意图，不是受试者事后评分。官方在说明中给出的编码是：正性记 1，负性记 -1，中性记 0。但在构建分类器时，官方又说明用的是「片段标签加一」，即正性 2、负性 0、中性 1，以避免负号带来的索引问题。这是一个非常容易踩的坑 —— 直接拿 label 数组当类别索引用，会得到负数下标。
十五段片段按三类均分，每类五段。这个均分是设计上的刻意安排，它保证了每次实验里三类样本数量相等，避免类别不平衡干扰分类评估。但也意味着这份数据天然无法反映真实世界中情绪类别的分布 —— 真实生活里中性状态远比强烈的正负情绪常见。
3.3 为什么是电影片段
官方在说明页里给出了选择标准：整场实验不能太长以免受试者疲劳；视频必须不需要解释就能看懂；每段视频应诱发单一的目标情绪。这三条标准共同指向一个取舍 —— 牺牲生态效度，换取标签的干净。
电影片段是被剪辑过的情绪浓缩物，它比真实生活更容易在四分钟内把人推向一个明确的情绪状态。这也是它被广泛采用的原因。代价是，电影诱发的情绪带有「旁观」性质：受试者是在看别人经历情绪，而不是自己身处其中。这种情绪与亲身经历的情绪在神经层面的差异，至今没有被充分刻画。
3.4 与其他「看电影诱发情绪」数据的区别
同样用电影做刺激的数据不止一份。SEED 的特殊之处在于它的重复设计：同一批人、同一套流程，隔一周再来两遍。多数同类数据只做一次，因此无法区分「这个人的脑电模式稳定」与「这一次恰好如此」。SEED 的三次重复让稳定性本身成为一个可以检验的量，这是它相对同代数据的结构性优势，也是很多后续分析（比如跨会话一致性研究）能够成立的前提。
§2.4 的表已经把层次关系摊开，这里要补的是它为什么重要：如果只有一次实验，任何跨会话的结论都无从谈起；有了三次，你才能问「同一个人在不同时间看同一类片子，脑电模式漂移多少」。这个问题在今天的情感脑电研究里依然没有标准答案，而 SEED 是少数能提供材料的数据库之一。
§4 核心层 B：质量与特色
4.1 预处理链条的透明度
SEED 的预处理说明写得相当具体：降采样到 200 Hz，施加 0 至 75 Hz 带通。两条参数都公开，任何人都能复现。这一点在早期数据集中并不常见 —— 很多数据集只给「已预处理」四个字，使用者无从判断处理强度。
0 至 75 Hz 这个频带覆盖了脑电研究中常用的全部五个频段：delta（1–4 Hz）、theta（4–8 Hz）、alpha（8–14 Hz）、beta（14–31 Hz）、gamma（31–50 Hz）。也就是说，官方的滤波没有为了某一类分析而牺牲其他频段，留给使用者的空间比较完整。200 Hz 的采样率按奈奎斯特准则可以表示到 100 Hz，对 75 Hz 的上限留有余量，符合工程惯例。
4.2 特征层的设计意图
差分熵是官方主推的特征。它的定义是连续随机变量微分熵，在假设信号服从高斯分布时可以化简为只与方差有关的简单形式。这个假设在短时脑电片段上是常用的近似，化简后计算量极小，且对信号幅度不敏感，在对数尺度上具有平移不变性 —— 这些性质使它特别适合跨被试的比较，因为不同人的绝对幅值差异很大。
由 DE 进一步构造的 DASM 与 RASM，是二十七对半球对称电极上的差与比。它们编码的是左右半球的不对称性，而情绪加工的研究长期认为前额叶不对称与情绪效价相关。官方给出这两组特征，等于把一条经典假说直接做成了可用的特征列。是否真的有效，要靠实验判断，但至少台面上有这组变量。
特征层还有一个不可忽略的细节：官方对特征序列做了平滑，用了两种方法 —— 滑动平均与线性动态系统。平滑的目的是压低与情绪无关的高频抖动，但也会抹掉快速的情绪转换。做时序建模的人如果直接用平滑后特征，可能低估情绪状态的切换速度。
4.3 案例：一个人隔一周再看同一段片子
设想受试者八号（官方编号体系里属于「既有脑电又有眼动」的那十二人之一）在第一次实验里看了一段诱发负性情绪的片段，一周后在第二次实验里又看了一次。两次的片段相同、流程相同，唯一的变化是时间。这个场景是理解 SEED 设计意图的最佳入口。
把两次的 DE 特征取出来对比，会看到两件事。第一，在频段层面，两次的分布高度相似 —— alpha 与 beta 频段的能量起伏模式大体一致，说明片段确实把这个人推向了相似的状态。第二，在细节层面，相似并不等于相同，具体哪些电极在哪个时刻达到峰值，两次有明显差异。这正好是这份数据最有价值的地方：它同时给出了「稳定」与「不稳定」两面，而不是只给其中一面。
§4.1 提到的预处理透明度在这里派上用场：因为滤波参数公开，可以确定两次比较的差异不是预处理造成的。§4.2 提到的平滑处理也在这里产生影响：如果比较的是平滑后的特征，差异会被压缩，看起来比实际更稳定。要判断真实的稳定性，必须回到未平滑的 DE 或者回到 Preprocessed_EEG 的波形重算。
这个案例的结论可以直接迁移到使用决策上：任何声称在 SEED 上做到很高跨会话准确率的方法，都应该问一句「你的验证是按试次随机分的，还是按会话分的」。按试次随机分，等于让模型在训练集里见过同一段片子的兄弟片段，分数自然虚高。按会话分，才是官方三次重复设计的真正用武之地。
| 情形 | 训练集 | 测试集 | 常见结论 | 可信度 |
|---|---|---|---|---|
| 同一会话内随机切 | 该会话大部分试次 | 该会话剩余试次 | 分数很高 | 低，存在近邻泄漏 |
| 跨会话同人 | 第一次 | 第二、三次 | 分数中等 | 中，符合设计意图 |
| 跨被试留一 | 其余十四人 | 留出的一人 | 分数明显下降 | 高，最贴近部署 |
| 跨版本混训 | 首版加四类版 | 首版 | 类别语义混乱 | 低，不建议 |
| 跨文化 | 中文受试者 | 法语或德语受试者 | 变化幅度不确定 | 中，需另申请数据 |
4.4 眼动子集的价值与缺口
十二个人的眼动数据是这份数据区别于纯脑电版本的关键。官方说明里列出了眼动的几个维度：瞳孔直径、注视、扫视、眨眼，以及由这些参数导出的统计特征。在 SEED_Multimodal 的 04 文件夹里是 pickle 格式的特征表，03 文件夹里是原始导出表。
缺口在于三人没有眼动。官方只说这三名受试者仅有脑电，没有给出原因。本篇不替官方做归因 —— 设备可用性、数据质量、受试者本人意愿都只是可能，写成哪种都是猜测。对使用者来说，这意味着任何「脑电加眼动」的分析都只能用那十二人，不能凑满全部人数。做跨模态融合时，可用样本比纯脑电分析少五分之一，这在统计功效上是有代价的，尤其在留一被试验证时，每折只有一人，十二折与十五折的方差差别会直接体现在置信区间上。
| 用途 | 可用人数 | 可用通道 | 可用数据形态 | 需要注意 |
|---|---|---|---|---|
| 纯脑电三分类 | 十五 | 六十二导 | 200 Hz 预处理 | 最常见的用法 |
| 原始波形重做预处理 | 十二 | 六十二导 | 1000 Hz .cnt | 需自处理眼电 |
| 脑电加眼动融合 | 十二 | 六十二导 | 预处理加特征表 | 编号须逐一致 |
| 眼动单独分析 | 十二 | 眼动仪指标 | 特征与原始导出 | 标签沿用片段标签 |
| 跨会话稳定性 | 十五 | 六十二导 | 三次重复 | 按会话分组 |
4.5 与后续版本的质量递进
SEED-IV 把类别扩到四类，并把每次试次从十五增加到二十四，同时保留脑电与眼动。SEED-V 扩到五类，受试者增加到十六人。SEED-VII 扩到七类，受试者二十人，视频片段八十段、四会话。SEED-SD 引入睡眠条件，四十人三种睡眠状态。这些版本在类别数与样本量上都在扩张，但最初那一代的地位始终没有被取代 —— 因为在方法比较的语境里，「大家都有」比「更大更好」更重要。
§5 核心层 C：取数与使用
5.1 申请流程的实际步骤
官方下载页的说明很简短：要获得访问权，请下载并填写许可协议，在申请页上传，审核通过后会通过邮件发送下载链接与密码。协议本身是一份正式的学术使用许可，正文六条，分别涉及商用禁止、再分发禁止、访问控制、协议变更权、免责与引用要求。
| 步骤 | 动作 | 产出 | 常见卡点 |
|---|---|---|---|
| 1 | 打开官方下载页 | 了解许可与申请入口 | 页面为静态 HTML，可正常访问 |
| 2 | 下载许可协议 PDF | 一份待签文件 | 文件在 resource/license 路径下 |
| 3 | 填写单位、姓名、用途 | 签署后的协议 | 用途写得太笼统会被要求补充 |
| 4 | 在申请页上传 | 一份申请记录 | 需使用机构邮箱 |
| 5 | 等待人工审核 | 审核结果 | 有工作日延迟，非即时 |
| 6 | 收取邮件 | 下载链接与密码 | 链接不可转发 |
5.2 拿到数据后的目录结构
解压后会看到两个顶层目录。SEED_EEG 里是 Preprocessed_EEG 与 Extracted_Features；SEED_Multimodal 里是四个编号文件夹、一个 code 文件夹和 information.xlsx。若要快速验证方法，直接进 Extracted_Features；若要重做预处理，进 SEED_Multimodal/01-EEG-raw。
#-- 目录结构核查（路径按实际解压位置调整）
find SEED_EEG -maxdepth 2 -type d
find SEED_EEG/Preprocessed_EEG -name "*.mat" | wc -l
#-- 官方口径为 45 个，即 15 人 × 3 次实验
find SEED_Multimodal -maxdepth 2 -type d
5.3 读取与标签对齐
标签对齐是最容易出错的一步。Preprocessed_EEG 里 label 数组的取值是 -1、0、1，而官方在构建分类器时用的是加一后的 0、1、2。information.xlsx 里的编码又与前者一致。三条路径给出三套编号，如果混用，会得到「负性样本被当成索引越界」这类莫名其妙的错误。
import scipy.io as sio
import numpy as np
f = sio.loadmat("Preprocessed_EEG/1_20131027.mat")
raw_labels = f["label"][0] #-- -1 / 0 / 1
cls_labels = raw_labels + 1 #-- 0 / 1 / 2，正向性、中性、负性
mapping = {-1: "negative", 0: "neutral", 1: "positive"}
for i, v in enumerate(raw_labels, start=1):
print(i, v, mapping[int(v)], cls_labels[i - 1])
5.4 特征表的使用
Extracted_Features 里的结构比波形版更规整。每个试次的特征可以理解为「电极 × 频段」的二维表，DASM 与 RASM 则是「二十七对电极 × 频段」。把它们摊平成向量，就是传统机器学习分类器的标准输入。
import scipy.io as sio
import numpy as np
f = sio.loadmat("Extracted_Features/1_20131027.mat")
keys = [k for k in f.keys() if not k.startswith("__") and "DE" in k]
print(keys[:5])
#-- 官方命名含 DE、DASM、RASM 三类前缀，具体后缀随版本略有差异
mat = f[keys[0]]
print(mat.shape) #-- 通常为 电极 × 时间窗 × 频段
vec = mat.reshape(-1)
print(vec.shape)
5.5 评估协议的写法
SEED 的三次重复设计对应三种验证方式，选择哪一种直接决定分数落在哪个区间。
import numpy as np
#-- 方式一：被试内、按试次随机划分（分数最高，也最容易被质疑）
#-- 方式二：被试内、按会话划分（用第 1 次训练，第 2、3 次测试）
#-- 方式三：跨被试、留一被试（分数最低，结论最稳）
subjects = list(range(1, 16))
sessions = [1, 2, 3]
splits = []
for held_out in subjects:
train = [s for s in subjects if s != held_out]
test = [held_out]
splits.append((train, test))
print(len(splits), splits[0])
#-- 15 折留一被试，彼此不重叠
写论文时，三个数字都应该报。只报第一个，评审会追问；只报第三个，会被说没有充分利用三次重复。三者并列，才符合这份数据的设计意图。
5.6 眼动侧的对齐
眼动特征表与脑电的对应靠会话与试次编号。官方说明里强调，SEED_EEG 与 SEED_Multimodal 的被试编号一致，因此在十二人子集上做融合时，可以用同一套编号连接两侧。需要注意，SEED_Multimodal 的眼动特征文件按「被试 × 日期」命名，而脑电的 .mat 按「被试 × 日期」命名，日期字符串必须精确匹配才能对上。
import pickle
with open("04-Eye-tracking-feature/1_20131027.pkl", "rb") as fh:
eye = pickle.load(fh)
print(type(eye))
print(len(eye))
#-- 逐会话取出，按试次编号与脑电的 eeg_k 一一对应
§6 与库内条目的关系
6.1 关系图谱
库内与本篇最接近的几条，分三类。第一类是脑电情绪，第二类是脑电任务，第三类是生理信号但非脑电。SEED 的位置处于第一类与第二类的交界：它用任务（看电影）诱发情绪，所以既有任务结构，又有情绪标签。
| 库内词条 | 交叠点 | 关键差异 | 何时该选它而不是 SEED |
|---|---|---|---|
| deap | 都是情绪识别的经典基准，都常被用来做跨库验证 | DEAP 32 人、32 导、效价与唤醒度连续自评、音乐视频 | 需要连续维度标注或自评标签时 |
| dreamer | 都是情感识别数据，都含多模态 | DREAMER 用消费级设备、含心电、9 人 | 需要低成本可穿戴条件时 |
| eeg-eye-gaze-data | 都是脑电与眼动同步 | 该词条是机器人手术模拟任务，128 导 500 Hz，25 人 | 需要高密度导联与操作性任务时 |
| eegmat | 都是 PhysioNet 式的小样本脑电库 | EEGMAT 是心算任务，22 导，无情绪标签 | 需要认知负荷而非情绪时 |
| neuro-stress-resilience-hci | 都有情绪或压力相关的标签 | 该词条是航空多任务压力，含近红外与皮电 | 需要诱发压力与多生理同步时 |
| eda-rest-sedation | 都是单一生理通道的公开库 | 该词条只有皮肤电，按镇静水平分组 | 只关心自主神经活动时 |
| multimodal-nback-music | 都含音乐或视频刺激与多模态记录 | 该词条是工作记忆任务，留存 5 人 | 需要认知任务与音乐刺激时 |
| auditory-eeg | 都是多导脑电的经典解码基准 | 该词条是听觉注意解码，64 导 8192 Hz | 需要听觉范式与高采样率时 |
| bci-competition-iv-2a | 都是脑电解码的通用基准 | 该词条是运动想象四分类，9 人，22 导 | 任务是运动想象而非情绪时 |
| siena-scalp-eeg | 都是长时程头皮脑电 | 该词条是癫痫临床记录，含发作标注 | 需要病理脑电时 |
6.2 检索路径
从使用场景出发，库内检索可以按三条线索走。线索一是「情绪」二字，命中 deap、dreamer、neuro-stress-resilience-hci 以及本篇。线索二是「脑电」，范围更大，涵盖 bci-competition-iv-2a、auditory-eeg、siena-scalp-eeg、eegmat 等。线索三是「多模态生理」，命中 multimodal-nback-music、neuro-stress-resilience-hci、eda-rest-sedation。
三条线索的交集就是情感脑电这个小圈子，目前只有 deap、dreamer 与 SEED 三份。它们的分工相当清晰：DEAP 提供连续维度与自评，DREAMER 提供消费级设备视角，SEED 提供干净的三分类与三次重复。做方法比较时，三份应该同时出现在对照表里，而不是只挑一份。
| 你的问题 | 该去哪个词条 | 为什么 |
|---|---|---|
| 情绪只有三分类够不够 | deap | 提供连续两轴标注，可做回归 |
| 能不能用便宜头环 | dreamer | 消费级设备条件下的多模态 |
| 想加眼动 | 本篇与 eeg-eye-gaze-data | 前者情绪任务，后者操作任务 |
| 想换成认知负荷 | eegmat、multimodal-nback-music | 任务范式不同，标签不同 |
| 想看压力与韧性 | neuro-stress-resilience-hci | 含量表与多生理同步 |
| 只要自主神经指标 | eda-rest-sedation | 单通道皮肤电，分组清晰 |
| 想要高采样率听觉范式 | auditory-eeg | 听觉注意解码基准 |
| 想要运动想象 | bci-competition-iv-2a | 四类运动想象，九人 |
| 想要病理脑电 | siena-scalp-eeg | 癫痫临床记录 |
§7 质量评估与局限性
7.0 阅读本节前的一个前置校正
在给出评分之前，必须先校正一个普遍存在的误判：把「样本量小」直接等同于「质量差」。对一份基准数据来说，评价标准不是它代表了多少人，而是它能否让不同方法在同一条件下被公平比较。SEED 在这一点上做得相当好 —— 固定的被试、固定的刺激、固定的流程、公开的预处理参数，任何团队拿到的是同一份东西。用「才十五个人」来否定它，等于用「样本代表性」这一把尺子去量「可比性」这一件事，量错了对象。
真正的局限不在人数，而在于可外推的边界。下面五维评分中，凡是与人相关的维度得分偏低，都是因为这个原因，而不是因为数据本身有质量问题。
7.1 五维评分
| 维度 | 评分 | 依据 |
|---|---|---|
| 可比性 | 5 / 5 | 预处理参数公开、特征已提供、被试与流程固定 |
| 结构清晰度 | 4 / 5 | 两个子集、四类文件、编号一致；但标签编码有三套口径 |
| 标签可信度 | 3 / 5 | 标签来自片段设计，非逐段主观报告；自评存在但不作标签 |
| 人群代表性 | 1 / 5 | 十五名同校学生，年龄与背景高度集中 |
| 生态效度 | 2 / 5 | 实验室看电影，被动诱发，短时情绪 |
总分不看算术平均。这份数据的定位是基准，因此可比性的权重最高；若按权重 0.4、0.2、0.2、0.1、0.1 加权，结果落在四星附近 —— 作为基准它优秀，作为人群样本它贫弱。
7.2 三次重复本身带来的方法学问题
三次重复是把双刃剑。它让跨会话验证成为可能，但也制造了一个陷阱：很多论文在预处理阶段把三次实验的数据合并，然后随机切分，这在形式上看起来是「更多数据」，在统计上却是「同一批片子的三次翻版」。合并后训练、随机切分测试，会让测试样本在训练集里找到大量的近邻，分数虚高。
正确的做法是把会话当作分组变量。官方设计三次重复的意图，正是让人可以按会话做分组交叉验证。任何忽略这个结构的评估，都浪费了这份数据最重要的设计特征。
| 混合方式 | 表面效果 | 实际问题 | 补救 |
|---|---|---|---|
| 三次会话直接纵向拼接 | 样本数看似增至三倍 | 有效自由度未增加，重复信息被当新信息 | 保留会话编号作分组变量 |
| 特征先平滑再合并 | 序列更平顺，分类更稳 | 掩盖了情绪转换速度 | 保留未平滑版本对照 |
| 跨被试统一归一化 | 便于套用同一模型 | 抹掉个体差异这一关键信号 | 改为逐被试标准化 |
| 只报单一验证分数 | 结论简洁 | 无法判断是方法还是数据泄漏 | 三种协议并列上报 |
| 用片段标签做自评替代 | 省去问卷处理 | 标签来源被误述 | 明确写清标签来自设计意图 |
7.3 已知的、可枚举的偏差
第一，年龄偏差。均值 23.27 岁，标准差 2.37，全部落在大学生年龄区间。对老年或儿童的情绪识别没有参照价值。
第二，文化偏差。刺激全部为中文电影片段，受试者全部为中国学生。SEED-FRA 与 SEED-GER 的存在，本身就是官方对这个偏差的回应 —— 他们在法国与德国各找了八名受试者，用当地语言的片段复现同一套流程。
第三，样本平衡偏差。三类片段数量相等，但真实世界的情绪分布并不均匀。用它训练出来的分类器在真实分布上会过度预测正性与负性。
第四，情绪强度偏差。片段是为诱发明确情绪而挑选的，现实中大多数时刻的情绪是低强度的模糊状态。这让模型在「中性」与「弱正负」的边界上容易失效。
第五，通道偏差。六十二导覆盖全头皮，但不同电极的信噪比差异很大，额区受眼电污染重。使用全通道输入时，模型可能学到的是眼动而非脑活动的差异。
| 偏差 | 受影响的输入 | 典型症状 | 使用者的应对 |
|---|---|---|---|
| 年龄集中 | 与被试相关的全部特征 | 换人群后性能断崖 | 明确标注适用范围 |
| 文化单一 | 语义加工相关频段 | 跨语种复现下降 | 用外语版版本交叉验证 |
| 类别均分 | 各类先验概率 | 真实场景过度预测强情绪 | 重估先验或做校准 |
| 强度偏高 | 高频段能量 | 低强度情绪判不出 | 引入低强度数据 |
| 额区眼电 | 前额导联 | 模型依赖眼动伪迹 | 做伪迹去除或剔除通道 |
| 短时诱发 | 时频特征 | 长时情绪状态无对应 | 改用长时程数据 |
7.4 外部验证矩阵
| 验证方式 | 可行 | 说明 |
|---|---|---|
| 跨会话（同人不同周） | 是 | 三次实验天然支持，是设计意图 |
| 跨被试（留一被试） | 是 | 十五折，样本少但可用 |
| 跨文化（SEED-FRA/GER） | 是 | 官方提供了对应版本，需另行申请 |
| 跨情绪类别数（SEED-IV/V） | 部分 | 标签体系不同，只能横向比，不能合并 |
| 跨模态（脑电到眼动） | 是 | 十二人子集支持 |
| 跨数据集（到 DEAP） | 部分 | 导联、采样率、标签体系都不同，需重采样与重映射 |
| 临场真实场景 | 否 | 无对应数据，只能外部补充 |
7.5 它为何能持续：因为参照系的价值来自被共同使用
一份数据能被用十年，通常不是因为它是最好的一份，而是因为它是最早被共同接受的那一份。SEED 的处境正是如此 —— 它有明确的局限，也没有停止过被批评，但每一篇新论文在需要一个「大家都认得的数字」时，还是会先想到它。更换参照系的成本太高：一旦社区转向新基准，过去所有论文的分数都无法直接比较。这种惯性，就是它能持续的根本原因。
§8 生态位与历史
8.1 从一份数据到一个家族
SEED 的演进路径相当清晰：2015 年首版三分类，随后扩到四类（SEED-IV）、五类（SEED-V）、七类（SEED-VII），同时向其他任务分支 —— 警觉度（SEED-VIG）、疲劳驾驶（SEED-VLA、SEED-VRW）、动态视觉解码（SEED-DV）、睡眠与情绪交互（SEED-SD）、跨文化复现（SEED-FRA、SEED-GER）、以及更新的 SEED-MYA。官方把这一整套统称为 SEED，名字继承自第一版。
这个命名策略造成了一个常见的检索困难：搜索「SEED 数据集」时，命中的可能是十余个不同版本中的任意一个。写论文引用时必须写清具体版本与对应文献，否则读者无法判断你用的是三分类还是七分类。
8.2 家族成员的分工
| 版本 | 核心变化 | 受试者 | 类别数 | 主打用途 |
|---|---|---|---|---|
| SEED | 首版三分类 | 15 | 3 | 通用情感识别基准 |
| SEED-IV | 四类，加眼动 | 15 | 4 | 多模态融合 |
| SEED-V | 五类，加眼动 | 16 | 5 | 细粒度情绪 |
| SEED-VII | 七类，加眼动 | 20 | 7 | 最终版情绪集 |
| SEED-VIG | 模拟驾驶警觉度 | 未在同一页给出 | 连续 PERCLOS | 疲劳估计 |
| SEED-FRA | 法语受试者 | 8 | 3 | 跨文化验证 |
| SEED-GER | 德语受试者 | 8 | 3 | 跨文化验证 |
| SEED-SD | 睡眠剥夺条件 | 40 | 4 | 睡眠与情绪交互 |
| SEED-DV | 视频诱发视觉解码 | 20 | 概念类别 | 视觉解码 |
上表中 SEED-VIG 的人数没有在对应说明页的显著位置列出，本篇不做推算，标为「未在同一页给出」。这是有意为之：官方没说的一律不补。
8.3 在方法史上的位置
SEED 出现的时间点，正好是深度学习进入脑电解码的拐点。在此之前，情感脑电多用手工特征加分类器；在此之后，端到端与时频混合模型逐渐成为主流。SEED 的 DE 特征恰好是这两条路线之间的桥梁 —— 它足够简单，传统方法能用；它的结构足够规整，深度模型也能吃。这种「两边都能接」的特性，是它被大量论文选作首个验证平台的现实原因。
桥梁的地位也有代价。因为两种路线都在同一种特征上验证，久而久之会形成一个错觉：DE 特征上的提升等同于方法上的提升。实际上，当一个新模型在 DE 上比旧模型高几个点时，无法排除它只是更擅长拟合这组特定特征的统计结构。要破除这个错觉，唯一的办法是回到原始波形重做，而这恰好需要 SEED_Multimodal 那十二人的 1000 Hz 数据 —— 这也是为什么那份看起来「只是原始版」的子集，在很多严谨研究里比预处理版更重要。
| 时期 | 主流做法 | SEED 的角色 | 遗留问题 |
|---|---|---|---|
| 手工特征期 | 频段能量加分类器 | 统一的特征台面 | 特征选择依赖经验 |
| 深度转向期 | 端到端与时频混合 | 首个验证平台 | 易过度拟合小样本 |
| 跨被试期 | 域适应与迁移学习 | 留一被试基准 | 分数区间无统一共识 |
| 多模态期 | 脑电加眼动融合 | 十二人多模态子集 | 人数少于纯脑电子集 |
| 大模型期 | 自监督预训练 | 小样本微调参照 | 预训练规模不匹配 |
8.4 与同期其他基准的比较
同期还有 DEAP 与 MAHNOB-HCI 等选择。DEAP 的优势在于连续维度与自评标签，劣势在于设备与导联密度；MAHNOB-HCI 的优势在于多模态完整，劣势在于样本小且获取门槛更高。SEED 的位置在两者之间：导联密度高、流程干净、门槛中等（须审批但流程成熟）。选择哪一个，取决于你要验证的是哪一类性质。
| 对比项 | SEED | DEAP | MAHNOB-HCI |
|---|---|---|---|
| 受试者规模 | 小（同校学生） | 中等 | 小 |
| 导联密度 | 高，六十二导 | 中，三十二导 | 中 |
| 标签形态 | 三类离散 | 连续两轴加自评 | 连续两轴加自评 |
| 刺激类型 | 中文电影片段 | 音乐视频 | 影视片段 |
| 重复设计 | 三次，隔约一周 | 无同人多轮 | 无同人多轮 |
| 眼动配套 | 十二人有 | 无 | 有 |
| 获取方式 | 签协议审批 | 表单申请 | 申请审批 |
| 最适合 | 可比三分类基线 | 维度模型 | 多模态融合 |
§9 使用指引
9.1 三种角色的路径
对研究生入门者，最短路径是用 Extracted_Features 跑通一个三分类，把被试内按会话划分与被试间留一被试两个数字都拿到，建立对分数区间的直觉。这一步不需要碰原始波形。
对方法研究者，最短路径是拿 SEED_Multimodal 的 .cnt 重做预处理，验证自己的滤波或伪迹去除方法是否改变下游分类结果。这一步必须用十二人子集，且要注意原始数据的 1000 Hz 与预处理版本 200 Hz 不是同一份东西。
对系统工程师，最短路径是先明确目标场景是否与「实验室看电影」相似。如果不相似，SEED 只能作为方法原型验证的一环，不能被当成最终验收数据。这类使用者的真正工作在于找到目标场景的对应数据，SEED 只负责回答「这个方法在干净条件下成立吗」。
| 角色 | 主要产出 | 关键门槛 | 建议先看哪一节 | 别做什么 |
|---|---|---|---|---|
| 入门研究者 | 一组可比的三分类分数 | 会读 .mat 与对齐标签 | §2.3、§5.3 | 别一上来调深度模型 |
| 方法研究者 | 一份预处理或特征层的新方案 | 能拿到 1000 Hz 原始数据 | §4.1、§5.2 | 别只用平滑后特征下结论 |
| 评测工程师 | 一份跨方法对照表 | 会写三种验证协议 | §5.5、附录 D | 别只报被试内随机切分 |
| 系统工程师 | 一份可行性判断 | 清楚目标场景与实验室的差距 | §1.6、§7.3 | 别把它当产品验收集 |
| 数据管理者 | 一份合规材料 | 熟悉许可协议条款 | §5.1、§7.3 | 别把下载链接外传 |
9.2 一条最短的可用流程
import scipy.io as sio
import numpy as np
from sklearn.svm import SVC
from sklearn.model_selection import LeaveOneGroupOut
X, y, g = [], [], []
for subj in range(1, 16):
for sess in [1, 2, 3]:
fname = f"Extracted_Features/{subj}_{sess}.mat"
#-- 实际文件名含日期，这里用会话序号示意，取文件时按目录列表匹配
try:
d = sio.loadmat(fname)
except FileNotFoundError:
continue
for i in range(1, 16):
key = [k for k in d.keys() if k.endswith(f"_{i}")]
if not key:
continue
X.append(d[key[0]].reshape(-1))
y.append(int(d["label"][0][i - 1]) + 1)
g.append(subj)
X = np.array(X)
y = np.array(y)
g = np.array(g)
logo = LeaveOneGroupOut()
accs = []
for tr, te in logo.split(X, y, g):
clf = SVC(kernel="rbf")
clf.fit(X[tr], y[tr])
accs.append(clf.score(X[te], y[te]))
print(len(accs), round(float(np.mean(accs)), 4))
这段代码给出的是留一被试的下界。若把 group 换成会话序号，就变成被试内按会话验证，分数会明显上升。两者的差值，就是这份数据在「同人」与「跨人」之间的落差。
三个数字并列之后，还有两件事要交代。第一件是预处理版本与特征版本的关系：上面的流程用的是特征表，若改用 Preprocessed_EEG 自己分窗，需先确定窗长与重叠；官方在 SEED-IV 中采用的是四秒不重叠分段，首版虽未强制，但四秒是被广泛沿用的习惯。第二件是标签索引，SVM 对标签的具体取值不敏感，但对样本顺序敏感 —— 若把三个会话的数据按顺序堆叠而没有记录顺序，做留一会话验证时分组向量会错位。
| 环节 | 常见做法 | 替代做法 | 影响 |
|---|---|---|---|
| 分窗 | 四秒不重叠 | 一秒滑窗叠一半 | 样本数与时间分辨率之积变化 |
| 特征 | 五频段 DE | PSD、样本熵、微状态 | 可比性下降，需重报基线 |
| 归一化 | 逐被试 z 分数 | 逐试次标准化 | 影响跨被试迁移幅度 |
| 分类器 | 线性 SVM | 深度端到端 | 小样本下线性更稳 |
| 验证 | 留一被试 | 按会话分组 | 前者更严，后者更贴近设计 |
| 指标 | 准确率 | 平衡准确率、F1 | 三类均衡时两者接近 |
9.3 引用方式
官方在说明页与许可协议里都给出了必须引用的文献。首版要求引用两篇：第一篇是 2015 年 IEEE TAMD 上的关键频段与通道研究，第二篇是 2013 年 NER 会议上的差分熵特征论文。前者是数据集本身的出处，后者是 DE 特征的方法出处。只引第一篇不引第二篇，会被认为没有交代特征来源。
若使用了 SEED-IV、SEED-V 或 SEED-VIG，则各自有独立的引用要求，分别在对应说明页与协议正文里列出。混用多个版本时，应把各自的文献都列上。
§10 AI 使用声明
| 项 | 内容 |
|---|---|
| 本文性质 | 由 AI 编写的第三方数据集词条，非官方文档 |
| 信息时点 | 2026 年 10 月 29 日核对官方页面 |
| 主要来源 | 上海交通大学 BCMI 实验室 SEED 官方站实验页、下载页、许可协议 PDF |
| 数字来源分级 | 规模与结构类数字取自官方页；论文摘要仅用于确认首发年份与文献指向 |
| 未核实项 | SEED-VIG 受试者人数未在说明页显著位置列出，本文不推算 |
| 加工方式 | 人工阅读官方页后由 AI 组织表述，DAIMS 框架下的人工核读流程 |
| 使用限制 | 不得据此替代官方文档；取数前须以官方页与协议原文为准 |
| 责任边界 | 数据许可与合规义务由使用者自行承担，本文不构成法律意见 |
DAIMS 是本编辑部在数据集写作中采用的一条工作纪律 —— 文档、归因、独立性、可追溯、边界声明五项逐条落实。落到本篇，具体体现为：所有规模数字都能在官方页上找到对应句子；转述与推断分别标注；不把论文里的二手结论当官方口径；每一处不确定都写明「未核实」。
常见误读（避坑清单）
| 说法 | 实际 | 证据 |
|---|---|---|
| SEED 只有 12 个人 | 15 人，其中 12 人有眼动 | 官方实验页受试者段落 |
| SEED 的采样率是 200 Hz | 原始 1000 Hz，预处理版本 200 Hz | 官方 SEED_Multimodal 说明 |
| 视频片段时长都一样 | 官方说约四分钟，实际逐段不同 | 官方「近似四分钟」表述与数据形状 |
| 标签来自受试者自评 | 标签来自片段设计意图，自评仅为反馈 | 官方流程说明与 information.xlsx |
| 可以随便下载 | 须签协议、上传、审批、等邮件 | 官方下载页与许可协议第三条 |
| 可以商用 | 协议明确禁止商业用途 | 许可协议第一条 |
| 和 SEED-IV 是同一批人同样片子 | 类别数与刺激材料都不同 | 两版说明页对照 |
| 三类样本数量不等 | 每类五段，刻意均分 | 官方「十五段，正负中各五段」 |
| DE 特征就是原始脑电 | 是压缩后的统计量，丢失相位信息 | 官方特征说明 |
| 随机切分就能报高分 | 会因同试次近邻而虚高 | 官方三次重复设计与验证惯例 |
FAQ
Q1：SEED 到底是 12 人还是 15 人？
官方实验页写明十五名受试者，七男八女。其中编号 1 至 5 与 8 至 14 共十二人同时有脑电与眼动，编号 6、7、15 只有脑电。数据分两部分：SEED_EEG 含全部十五人，SEED_Multimodal 含十二人。两个数字都对，取决于取的是哪一部分。
Q2：采样率是 1000 Hz 还是 200 Hz？
两者都存在。SEED_Multimodal 的 01-EEG-raw 保留原始 .cnt，采样率 1000 Hz；SEED_EEG 的 Preprocessed_EEG 已降采样到 200 Hz 并做 0 至 75 Hz 带通。做原始信号级分析必须用前者。
Q3：不签协议能下载吗？
不能。官方要求下载并填写许可协议，在申请页上传，审核通过后由邮件发送链接与密码。协议禁止商用与再分发。
Q4：它和 DEAP 该选哪个？
看标签需求。需要连续效价与唤醒度、需要自评标签，选 DEAP。需要干净的三分类、需要较高导联密度与统一流程，选 SEED。两者常同时出现在对照表里。
Q5：能不能和 SEED-IV 合并训练？
不建议。类别体系不同（三对四），刺激材料不同，合并会让类别语义混乱。正确的做法是各自训练、各自评估，再横向比较。
Q6：为什么官方说每段约四分钟，数据里长度不一样？
「约」字是官方的原话。不同片段的实际时长略有差异，切段时按片段的实际起止时间处理，因此采样点数不同。做固定长度分窗可规避，做整段输入则需填充或截断。
Q7：DE 特征够用吗？
作为可比基线够用，作为最终表示不够。它丢失了相位与跨频耦合信息。想要更完整的表示，回到 Preprocessed_EEG 或 1000 Hz 原始数据自己算。
Q8：眼动数据为什么只有十二人？
官方未说明原因，只给出「6、7、15 号只有脑电」的陈述。本文不做推测性归因，使用者按十二人子集处理即可。
Q9：被试内分数很高，是不是说明方法很好？
先看验证方式。按试次随机划分会让同一试次的片段同时出现在训练与测试中，分数虚高。按会话划分才符合三次重复的设计意图。两个数字都要报。
Q10：这个数据集能用于临床吗？
不能直接用于。受试者全部是健康大学生，任务是在实验室看电影，与临床场景（患者、自然状态、长时情绪）差异极大。它只能作为方法原型的验证平台。
Q11：官方首页说有两千多篇论文引用，这个数字可信吗？
这是官方自报的累计统计，截至 2025 年 7 月，针对整个 SEED 系列而非首版。本文只作引用来源标注，不做独立核算。
术语表
| 术语 | 含义 |
|---|---|
| SEED | SJTU Emotion EEG Dataset，上海交通大学情感脑电数据集 |
| BCMI | 上海交通大学类脑计算与机器智能实验室 |
| 差分熵（DE） | 连续随机变量的微分熵，高斯假设下可化简为方差的对数形式 |
| DASM | 左右半球对称电极 DE 特征的差 |
| RASM | 左右半球对称电极 DE 特征的比 |
| LDS | 线性动态系统，用于特征序列平滑 |
| 试次 | 一次电影片段呈现，标签最小单位 |
| 会话 | 一名受试者的一次完整实验，含十五个试次 |
| 留一被试 | 每次留一名受试者做测试集的交叉验证方式 |
| 留一会话 | 每次留一次实验做测试集的交叉验证方式 |
| 国际 10-20 系统 | 头皮电极放置的国际标准命名体系 |
| 眼电 | 眼球运动产生的电位，是额区脑电的主要伪迹来源 |
| 带通滤波 | 保留指定频率区间、抑制区间外成分的滤波 |
| 奈奎斯特准则 | 采样率须高于信号最高频率两倍 |
| 类别不平衡 | 各类样本数量悬殊，影响分类器偏向 |
| 生态效度 | 实验条件与真实生活情境的接近程度 |
| 跨被试泛化 | 在未见过的受试者上仍保持性能的能力 |
| 跨会话稳定性 | 同一受试者不同时间点数据模式的一致程度 |
| 效价 | 情绪的正负方向，SEED 用三分类近似 |
| 唤醒度 | 情绪的激烈程度，SEED 未标注 |
| PERCLOS | 单位时间内眼睑闭合比例，用于警觉度度量 |
| 原型验证 | 在受控条件下检验方法是否成立，非产品验收 |
| 近邻泄漏 | 训练集与测试集含高度相似样本导致分数虚高 |
| 加一编码 | 把 -1/0/1 标签映射到 0/1/2 以避免负下标 |
附录 A：核心数字核对表
| 项 | 值 | 来源 | 来源层级 |
|---|---|---|---|
| 受试者人数 | 15 | 官方实验页受试者段 | 官方页面 |
| 有眼动人数 | 12 | 官方实验页受试者段 | 官方页面 |
| 男性 / 女性 | 7 / 8 | 官方实验页受试者段 | 官方页面 |
| 年龄均值与标准差 | 23.27 / 2.37 | 官方实验页受试者段 | 官方页面 |
| 每人实验次数 | 3 | 官方数据摘要段 | 官方页面 |
| 实验间隔 | 约一周 | 官方数据摘要段 | 官方页面 |
| 每次试次 | 15 | 官方刺激段 | 官方页面 |
| 单段时长 | 约 4 分钟 | 官方刺激段 | 官方页面 |
| 片段总数 | 15（每类 5） | 官方刺激段 | 官方页面 |
| 电极数 | 62 | 官方采集段 | 官方页面 |
| 原始采样率 | 1000 Hz | 官方 SEED_Multimodal 段 | 官方页面 |
| 预处理采样率 | 200 Hz | 官方数据摘要段 | 官方页面 |
| 带通范围 | 0–75 Hz | 官方数据摘要段 | 官方页面 |
| .mat 文件数 | 45 | 官方数据摘要段 | 官方页面 |
| 首发年份 | 2015 | 官方说明页文献列表 | 官方页面 |
| 申请高校数 | 2,901 | 官方首页统计段 | 官方页面 |
| 申请份数 | 8,777 | 官方首页统计段 | 官方页面 |
| 引用论文数 | 2,736 | 官方首页统计段 | 官方页面 |
| SEED-VIG 人数 | 未核实 | 说明页未显著列出 | 未核实 |
附录 B：数字的来源分层
第一层：官方页面。 上表中除最后一行的全部数字，都直接取自上海交通大学 BCMI 实验室的 SEED 官方站（bcmi.sjtu.edu.cn/home/seed）。这些页面是静态 HTML，可完整抓取，内容包括实验设计、受试者描述、数据摘要、文件结构与申请流程。凡标注「官方页面」的，均可回到对应页面逐句核对。
第二层：论文摘要转述。 首发年份与文献指向通过官方页给出的引用列表确认，并通过公开文献索引核对了论文标题与卷期页码。受限于摘要层面的可获得性，论文正文中的受试者细节未逐条展开。本篇凡涉及「论文常怎么写」的判断，均标注为转述。
第三层：未核实。 SEED-VIG 的受试者人数没有在说明页的显著位置列出，本篇不做推算，也不从别的版本外推。官方首页的累计统计（高校数、申请数、引用数）是机构自报口径，本篇原样转录、不作独立核算。
附录 C：完整参考文献
- Zheng W-L, Lu B-L. Investigating Critical Frequency Bands and Channels for EEG-based Emotion Recognition with Deep Neural Networks. IEEE Transactions on Autonomous Mental Development, 2015, 7(3): 162-175.
- Duan R-N, Zhu J-Y, Lu B-L. Differential Entropy Feature for EEG-based Emotion Classification. Proc. 6th International IEEE EMBS Conference on Neural Engineering (NER), 2013: 81-84.
- Zheng W-L, Liu W, Lu Y, Lu B-L, Cichocki A. EmotionMeter: A Multimodal Framework for Recognizing Human Emotions. IEEE Transactions on Cybernetics, 2019, 49(3): 1110-1122.
- Zheng W-L, Lu B-L. A multimodal approach to estimating vigilance using EEG and forehead EOG. Journal of Neural Engineering, 2017, 14(2): 026017.
- Liu W, Qiu J-L, Zheng W-L, Lu B-L. Comparing Recognition Performance and Robustness of Multimodal Deep Learning Models for Multimodal Emotion Recognition. IEEE Transactions on Cognitive and Developmental Systems, 2021.
- 上海交通大学 BCMI 实验室. SEED Dataset 官方说明页（实验、数据摘要与引用要求）. https://bcmi.sjtu.edu.cn/home/seed/seed.html
- 上海交通大学 BCMI 实验室. SEED 系列许可协议（PDF）. https://bcmi.sjtu.edu.cn/home/seed/resource/license/license.pdf
附录 D：验证协议对照代码
import numpy as np
from sklearn.svm import SVC
from sklearn.model_selection import KFold, LeaveOneGroupOut
#-- 输入约定：X 为特征矩阵，y 为 0/1/2 三类标签
#-- g_subject 为被试编号，g_session 为会话编号
def within_random(X, y, k=5):
accs = []
for tr, te in KFold(n_splits=k, shuffle=True, random_state=0).split(X):
accs.append(SVC().fit(X[tr], y[tr]).score(X[te], y[te]))
return float(np.mean(accs))
def within_session(X, y, g_session):
accs = []
for tr, te in LeaveOneGroupOut().split(X, y, g_session):
accs.append(SVC().fit(X[tr], y[tr]).score(X[te], y[te]))
return float(np.mean(accs))
def cross_subject(X, y, g_subject):
accs = []
for tr, te in LeaveOneGroupOut().split(X, y, g_subject):
accs.append(SVC().fit(X[tr], y[tr]).score(X[te], y[te]))
return float(np.mean(accs))
#-- 三个数字并列上报，差值本身就是要讨论的内容
附录 E：如果只记五件事
第一，SEED 是十五名上海交通大学学生看十五段约四分钟中文电影片段的三分类情感脑电，每人三次、间隔约一周，六十二导。
第二，人数有两个口径：纯脑电十五人，脑电加眼动十二人，差额三人官方未说明原因。
第三，采样率也有两个口径：原始 .cnt 为 1000 Hz，预处理版本为 200 Hz 加 0 至 75 Hz 带通。
第四，它不是自动公开数据集，必须签署学术许可、上传申请、等待人工审核，且禁止商用与再分发。
第五，它的价值是参照系，不是人群样本；凡是「跨人」的结论都要谨慎，凡是「按试次随机切分」的分数都要打折扣。
编辑说明
本篇由千方医数集编辑部组织编写。写作前的核对以官方站为准，逐页打开实验说明、数据摘要、下载页与许可协议四份材料；论文信息通过公开文献索引交叉核对了标题、卷期与页码。文中所有规模与结构类数字均可在官方页找到对应句子，无法在官方页找到的两类信息（SEED-VIG 人数、首页累计统计的独立核算）已明确标注为未核实或原样转录。
本篇不收录分布类统计 —— 不做标签频次排序、不做字段空值率、不做长度直方图。这类数字需要下载全量数据才能得到，对「该不该选、能不能接」的判断没有增量，且在未获授权的情况下也不应代取。
若官方页面日后调整表述，以官方页最新版本为准。凡与官方不一致之处，官方口径优先。
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：
- vitaldb-arrhythmia — 共享标签：生理信号 / 医学问答与基准
- auditory-eeg — 共享标签：生理信号 / 脑机接口
- qt-database — 共享标签：生理信号 / 医学问答与基准
- isruc-sleep — 共享标签：生理信号 / 医学问答与基准
- ninapro — 共享标签：生理信号 / 脑机接口
- eeg-dash — 共享标签：生理信号 / 脑机接口
- erpbci — 共享标签：生理信号 / 脑机接口
- eegmat — 共享标签：生理信号 / 医学问答与基准
- mssvepdb — 共享标签：生理信号 / 脑机接口
- mit-bih-afdb — 共享标签：生理信号 / 医学问答与基准
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。
