信息速览

数据集名称A Wearable Exam Stress Dataset — 真实考场可穿戴生理信号与认知表现数据集

数据类型原始数据,时序数据,生理信号

规模10 名大学生（2 女 + 8 男；性别为去标识目的不写入数据）；每人 3 次考试（Midterm 1 / Midterm 2 / Final），共 30 场考试记录

接入方式Empatica E4 腕带（FDA 批准，佩戴非惯用手）于真实考场采集的外周生理信号：electrodermal activity（EDA，4 Hz）、heart rate（HR）、blood volume pulse（BVP，64 Hz）、skin surface temperature（TEMP，4 Hz）、inter beat interval（IBI）、三轴加速度（ACC，32 Hz）；含 StudentGrades.txt 成绩标签

AI 就绪度

INFOBOX — A Wearable Exam Stress Dataset 一屏速览

维度内容

本质 真实考场场景可穿戴生理信号数据集（区别于 WESAD 式实验室诱导），用于预测认知表现/成绩

团队 University of Houston 计算医学实验室；通讯/资深作者 Rose T. Faghih（现 NYU Tandon）；3 作者

数据发布 PhysioNet v1.0.0，2022-05-26；DOI 10.13026/kvkb-aj90

原始论文 IEEE HI-POCT 2022，doi:10.1109/HI-POCT54491.2022.9744065（会议 2022-03-10/11，Houston）

规模 10 名大学生（2 女 + 8 男）；每人 3 场考试，共 30 场记录

设备 Empatica E4 腕带（FDA 批准），佩戴非惯用手

信号 EDA / HR / BVP / TEMP / IBI / ACC 六类多模态外周生理信号

考试 3 场：Midterm 1、Midterm 2（各 1.5 h）、Final（3 h），均 9:00 AM（CT/CDT）开始

标签考试场次 + 成绩（StudentGrades.txt）；无逐刻情绪标注

论文结果 EDA 趋势线 + 9 工程特征 → 成绩高低二分类，最高准确率 70-80%

复现基准第三方：Transformer 全模态报 96%；HRV 特征选择做外部验证

获取 Open Access 无门槛：ZIP 直下 / wget / aws s3 sync（physionet-open 公共桶）

许可 ODC-By-1.0（署名即可，含商用）；82.1 MB

库内互链 WESAD(67)、DEAP(332)、VitalDB(192)、MHEALTH(222)、PPG-DaLiA(202)

“A Wearable Exam Stress Dataset” 是一个"把实验室搬进考场"的数据集：它不做人工电击、不放恐怖视频、不制造社交压力，只是让 10 名大学生戴上 FDA 批准的 Empatica E4 腕带，走进真实的期中考与期末考场，然后记录他们的皮肤电、心率、脉搏、体温和手部运动。它回答的问题很直接——在真实、无法控制、充满运动伪影的考场里，腕上这几路信号到底能不能预测一个人的考试成绩？ 在它之前，可穿戴压力识别研究几乎都建立在实验室诱导数据（如 WESAD 的 TSST 任务）之上；它提供的正是缺失的那块"真实世界对照"。

导语读法三则：

只想下数据：直奔 §6 获取与许可——ODC-By-1.0、Open Access、82.1 MB，无需申请，wget/aws s3 均可。
关心 WESAD 与它的区别：直奔 §3.4 与 §7 的对照——一个是实验室诱导、一个有明确情绪标签；一个是真实考场、只有场次+成绩弱标签。
做可穿戴压力监测：直奔 §4 信号构成与 §5 任务设定——注意 10 人小样本与运动伪影，先读"提示性而非显著"的告诫。

§0 导读：这个数据集解决什么问题

可穿戴压力识别是情感计算与移动健康的重要方向，但它长期被一个结构性问题困住：训练数据几乎全部来自实验室。研究者让被试坐在安静的房间里，用电击、噪声、恐怖图片或公开演讲任务（如 TSST）人为诱发压力，再记录皮肤电与心率。这样的数据干净、可控、有明确的时间标签——却也远离真实。真实世界里的压力发生在通勤地铁上、deadline 前、考场里，伴随持续的身体运动、姿势变化、环境噪声与社交不确定性，这些恰恰是实验室数据回避掉的东西。

最直接的人体压力信号是皮肤电活动（EDA），也叫皮肤电导（skin conductance, SC）：汗腺受交感神经支配，情绪唤起时出汗增多，皮肤电阻下降、电导上升。EDA 便宜、易测、有生理机制支撑，是消费级腕带（如 Empatica E4）的核心传感器之一。问题在于，实验室里 EDA 的"压力反应"清清爽爽，真实考场里却混着握笔、翻卷、调整姿势带来的运动伪影。

本数据集正是为堵上这个缺口而生：考点固定（考试）、场景真实（考场）、被试纵向追踪（同一批人三次考试）、标签明确（考试成绩）。它由 University of Houston 的 Faghih 团队采集，2022 年发布在 PhysioNet，采用最宽松的 ODC-By-1.0 许可，任何人都能一键下载 82.1 MB 的完整数据。

§0 读法三则：

这个条目是"真实世界可穿戴数据集 + 一篇会议论文 + 一套可复现的处理代码"的组合：三者许可与获取方式简单统一（都开放），不像很多数据集存在多层异构许可。
全文硬数字来自三源互证：PhysioNet 官方页（规模/信号/许可）、IEEE HI-POCT 论文（10 人/70-80% 准确率）、第三方复现论文（96%/外部验证）。
检索时务必与 WESAD 区分：两者都涉及可穿戴+压力+Empatica E4，但一个是实验室诱导、一个是真实考场，样本量与标签体系都不同（§3.4、坑 1）。

§1 数据集速览：十问十答

Q1：“A Wearable Exam Stress Dataset” 的"真实世界"体现在哪？
数据在真实考场采集——学生正常参加期中考与期末考，设备在考试全过程中记录生理信号。无人工刺激、无诱导任务、无受控环境，因此信号里天然含运动伪影与考场噪声，这正是它与实验室数据集最大的区别。

Q2：招了多少人、几次考试？
10 名大学生（休斯顿大学一门电路分析课程的学生；构成为 2 女 + 8 男，但数据中不标注性别以去标识）。每人参加 3 场考试：Midterm 1、Midterm 2 各 1.5 小时，Final 3 小时；共 30 场考试记录。

Q3：用的什么设备？
Empatica E4 腕带（FDA 批准的科研级可穿戴设备），佩戴于非惯用手腕部。设备以 tag number 分发——考生入场领设备、在对应名单签名，考后归还；教师再按设备号提供成绩，实现生理信号与成绩的对应。

Q4：采集了哪些信号？
六类：皮肤电活动（EDA）、心率（HR）、血容量脉搏（BVP）、皮肤表面温度（TEMP）、逐搏间期（IBI）、三轴加速度（ACC）。其中 BVP 与 IBI 可派生出心率变异性相关特征，ACC 用于捕捉运动伪影/活动量。

Q5：有没有逐刻的压力标签？
没有。这是它与 WESAD 的核心差异——WESAD 用诱导任务标出 baseline/stress/amusement 等状态区间，本数据集只有"考试场次（时间区间）+ 最终成绩"这样的弱标签。做逐刻状态识别需要自行构造伪标签。

Q6：原始论文做了什么、效果如何？
用皮肤电导信号滤波得到粗粒度趋势线，把 EDA 分为 start/middle/end 三段、构造差分信号与 9 个工程特征，训练分类器预测成绩高低（二分类），报告最高准确率 70-80%。论文措辞谨慎，称之为"真实世界压力场景下用可穿戴设备预测表现的初步可行性"。

Q7：后来别人用它做出了什么？
第三方已有多种使用：Springer《Applied Psychophysiology and Biofeedback》(2025) 用假设检验+回归树分析 EDA/HR/TEMP 与成绩的关系；MDPI《Sensors》(2025) 把它作为外部验证集考察 HRV 特征选择的跨数据集可迁移性；arXiv 2606.14960 用 Transformer + 全模态把准确率推到 96%。

Q8：现在能拿到吗？什么许可？
能，且最容易——ODC-By-1.0 + Open Access，无注册墙、无申请、无 DUA。网页下 ZIP（82.0 MB）、wget 递归下载、或 aws s3 sync --no-sign-request s3://physionet-open/wearable-exam-stress/1.0.0/ 三条路任选。署名即可使用（含商用）。

Q9：数据文件怎么组织？
Data.zip 解压后是 S1…S10 每个被试的目录，各含 Final / Midterm 1 / Midterm 2 三个子目录；每子目录有 ACC.csv、BVP.csv、EDA.csv、HR.csv、IBI.csv、tags.csv、TEMP.csv、info.txt 八个文件。根目录还有 StudentGrades.txt 成绩表。

Q10：为什么它对 AI-Ready 数据集有意义？
它是可获取性光谱最开放一端的样本：ODC-By-1.0、公共 S3 桶直链、无任何门槛，与请求制/注册墙数据集形成鲜明对照。同时它的真实世界属性与运动伪影问题，是"实验室高分能否迁移到现实"这一命题的活教材。

§2 数据构成与规格

2.1 规模、来源与采集场景

本数据集的核心特征可以概括为"小样本、真场景、纵向追踪"：

维度	规格
被试数	10 名大学生（2 女 + 8 男；数据中去性别标识）
考试场次	每人 3 场（Midterm 1 / Midterm 2 / Final），共 30 场
采集场景	真实考场（非实验室、无诱导任务）
设备	Empatica E4 腕带（FDA 批准），佩戴非惯用手
时长	期中各 1.5 h；期末 3 h
统一开考时间	9:00 AM（CT/CDT，取决于对应 unix 时间戳的日期）
课程背景	休斯顿大学电路分析（circuit analysis）课程
存储体量	82.1 MB（未压缩）/ 82.0 MB（ZIP）

"纵向追踪"指同一批被试反复参与——同一学生在三次考试中都贡献了信号。这与很多横断面数据集（不同人各测一次）不同，使"个体压力反应随时间/任务难度如何变化"成为可研究的问题；但代价是有效独立样本仍只有 10 人，统计效力极低。

采集流程（官方 Methods 节）：

考生入场，从研究团队处领取一台带 tag number 的 E4 设备；
考生在设备对应名单上签写自己的名字（建立设备号↔人的映射）；
考试期间设备自动记录全部生理信号；
考后考生归还设备；
课程教师把设备号对应的成绩提供给研究团队。

这一流程的巧妙之处在于：研究团队不直接掌握姓名—成绩的对应（保护隐私），只用设备号把成绩与信号接上。

2.2 信号构成与采样规格

每次考试采集六类信号，逐信号存为独立 CSV：

信号	全称	采样率（E4 规格）	临床/生理含义
EDA	electrodermal activity（皮肤电活动）	4 Hz	交感神经驱动的汗腺活动，压力唤起的核心指标
HR	heart rate（心率）	由 BVP 派生	自主神经唤起水平
BVP	blood volume pulse（血容量脉搏）	64 Hz	光电容积脉搏波，可派生 HR/HRV
TEMP	skin surface temperature（皮肤表面温度）	4 Hz	外周血管收缩/舒张的间接指标
IBI	inter beat interval（逐搏间期）	逐搏事件	心跳间隔序列，HRV 分析的原始输入
ACC	三轴加速度（accelerometer）	32 Hz	手腕运动，既表活动量也指示伪影

注：官方 info.txt 逐文件给出确切采样率；上表 E4 规格（EDA/TEMP 4 Hz、BVP 64 Hz、ACC 32 Hz）与 WESAD 中 E4 的规格一致（三方口径）。

2.3 目录结构

wearable-exam-stress/1.0.0/
├── Data.zip                 # 全部被试zip压缩包（82.0 MB）
├── StudentGrades.txt        # 成绩标签表
├── readme.md                # 结构说明
├── LICENSE.txt              # ODC-By-1.0
└── SHA256SUMS.txt           # 校验和
Data.zip 解压后：
├── S1/
│   ├── Final/       {ACC,BVP,EDA,HR,IBI,tags,TEMP}.csv + info.txt
│   ├── Midterm 1/   {同名 8 文件}
│   └── Midterm 2/   {同名 8 文件}
├── S2/ … S10/       （结构同 S1）

其中 tags.csv 存放设备事件标记（如按键事件），不是压力状态标签——这是检索者最易误读之处（坑 5）。

2.4 时间戳与去标识

数据集做了日期平移（date shift）去标识，但不做时间平移（保留一天内的时间位置）：

所有 unix 时间戳整体平移一个固定偏移，使具体日期不可追溯；
平移量经过设计，不改变当天夏令时状态（CT/CDT）——即一个时间戳原本属于 CDT，平移后仍属 CDT；
因此考试开始时间在所有记录里都显示为 9:00 AM（CT/CDT），可作为对齐各场考试的锚点。

对使用者而言，这意味着"日期不可信、日内时刻可信"：不能用绝对日期做跨数据集匹配，但可以用"距开考 9:00 AM 的分钟数"做会话内对齐。

2.5 成绩标签

成绩存于 StudentGrades.txt，把每名被试与考试成绩对应起来。原始论文口径成绩为满分 200 分制；第三方论文（Applied Psychophysiology 2025）将其归一化为 Relative GRADE（0-100 标度）以跨科统一。论文任务是把成绩二分为"高/低"来分类。数据集不含分数之外的任何学业或人口学标签，性别、年龄等概不提供。

2.6 记录条数量级

信号条数因考试时长而异。第三方分析给出的实例：某被试 Midterm 1 有 44,712 条 EDA，Final 有 93,582 条 EDA——期末 3 小时约为期中 1.5 小时的两倍，与时长比例一致。这为使用者的预处理（重采样、分段、特征提取）提供了量级概念：单场考试的单路信号量级在万到十万采样点之间。

§3 采集方法与实验设计

3.1 三源证据链

本条目所有硬数字均经三源互证，来源与位置如下（详见附录 C）：

事实	源 A：PhysioNet 官方页	源 B：IEEE HI-POCT 论文	源 C：第三方复现
被试数 10	✅ “ten subjects”	✅ “10 subjects”	✅ 三方论文均沿用
三次考试	✅ Midterm1/2+Final	✅	✅
设备 Empatica E4	✅ FDA-approved	✅ wearable devices	✅ E4 于非惯用手
许可 ODC-By-1.0	✅ view-license 页	—	—
准确率 70-80%	—	✅ 摘要	✅ 转述
96%（更强模型）	—	—	✅ arXiv 2606.14960

三源在"10 人、三次考试、E4 设备"上完全一致；差异只在"论文标题口径"与"后续模型精度"（见 §7、§9 存照）。

3.2 为什么选择真实考场

论文 Background 节给出的动机链：人工刺激（电击、噪声、恐怖图片、视频）能诱发皮肤电反应，但长时间的真实认知压力记录严重缺失。考场提供了理想折中：

压力真实：考试是大学生普遍经历、真实存在、无法回避的认知压力源；
任务标准化：所有人在同一时间、同一科目、同一时长下应试；
有客观结果：考试成绩是一个连续、可信、可二分的表现度量；
可纵向追踪：同一门课的三次考试天然构成同被试重复测量。

代价也很清楚：真实考场是不受控环境——握笔、翻页、调整坐姿都产生运动伪影，考场温度、座位、其他考生的存在都无法标准化。这正是论文反复强调"contain motion artifacts"的原因。

3.3 数据采集流程的隐私设计

流程中一个值得学习的工程细节是设备号中介的成绩对接：

研究者不接触"姓名—成绩"的直接映射；
考生签名建立"设备号—人"映射（研究者可见）；
教师仅提供"设备号—成绩"（教师可见成绩，但用设备号而非姓名）；
只有把两段拼接时才会同时看到姓名与成绩，而这一拼接发生在研究分析阶段且已去标识。

这种"分片持有"的思路在小规模真实场景采集中较常见，兼顾了数据可用性与受试者隐私。整个研究经 University of Houston IRB 审查批准。

3.4 与 WESAD 的关键区分

本数据集最容易被误认的对象是 WESAD（Wearable Stress and Affect Detection, rid 67），两者都涉及"可穿戴 + 压力 + Empatica E4"，但本质不同：

维度	WESAD（rid 67）	本数据集
场景	实验室（受控）	真实考场（不受控）
诱导方式	TSST 社交压力任务 + 幽默/冥想视频	无诱导，真实考试
被试数	15 人有效（17 采集，2 剔除）	10 人
设备	胸 RespiBAN + 腕 Empatica E4	仅腕 Empatica E4
信号	ECG/EDA/EMG/RESP/TEMP/ACC + BVP	EDA/HR/BVP/TEMP/IBI/ACC
标签	明确情绪状态（baseline/stress/amusement/meditation）+ 自评问卷（PANAS/STAI/SAM/SSSQ）	仅考试场次 + 成绩（弱标签）
伪影	低（受控）	高（真实运动伪影）
用途	情绪/压力状态分类基准	认知表现/成绩预测

一句话：WESAD 追求"干净的标签"，本数据集追求"真实的场景"。两者互补而非竞争——一个可用来验证算法在理想条件下的上限，一个用来检验算法在现实中的可用性（§7.4）。

3.5 局限的自我披露

数据集页与论文主动披露了三处局限，值得转引时保留：

运动伪影：“As the dataset has been collected from real world settings, it contains motion artifacts.”（真实采集，含伪影）
样本小：“the number of participants is also relatively small.”（参与者相对较少）
任务基础版：原始论文用 EDA 单模态 + 基础 ML 特征，明确说明"dataset has been used just to show the dataset might contain information regarding participants grades"——即论文只是证明数据里可能有信号，不是要把预测精度做到极致。

这三点是使用者定心的关键：本数据集的定位是"数据集贡献"而非"方法 SOTA"。

§4 信号处理与分析范式

4.1 EDA 为何是主角

在六类信号里，EDA 是绝对主角，原因是它直接反映交感神经系统的唤起：

汗腺由交感神经胆碱能纤维支配（不受副交感拮抗），因而 EDA 是自主唤起的"纯"指标；
情绪压力、认知负荷、注意唤醒都会升高皮肤电导；
E4 的 EDA 传感器便宜、功耗低、可长期佩戴，适合消费级场景。

但 EDA 也是"最难处理"的信号：它是慢变基线（tonic, SCL）与快变反应（phasic, SCR）的叠加，压力反应体现在 phasic 成分的峰值与频率上，而要分离二者需要去卷积（deconvolution）等技术——这正是 Faghih 组方法学积累的核心（§4.3）。

4.2 原始论文的处理范式

论文的 EDA 处理流程（2022，HI-POCT）：

滤波得粗粒度趋势线：对皮肤电导信号滤波，提取缓慢变化的趋势（coarse-grained trendline）；
三段切分：把每场考试的信号分为 start / middle / end 三段；
构造差分信号：定义段间/段内的差分信号；
计算统计量：各段的均值与方差，以及差分信号的统计；
构造比率特征：如"middle 段均值 / (start 均值 + end 均值)"；
共 9 个工程特征 → 输入分类器 → 预测成绩高低。

结果：最高准确率 70-80%（个别口径 final exam 约 80%）。论文同时给出考试期间压力水平总体变化的平均趋势线，用于描述"考试过程中压力如何起伏"。

4.3 EDA 建模的方法学谱系

Faghih 组在 EDA 信号处理上的工作构成了本数据集的"方法地基"，其 GitHub 代码库也随数据集页一并推荐：

工作	出处	作用
稀疏分解 + 生理先验	Amin & Faghih, IEEE T-BME 2021;68(5):1726-1736	从皮肤电导中分离 tonic/phasic，恢复 sudomotor 神经活动
状态空间 + 稀疏恢复	Amin & Faghih, PLoS Comput Biol 2022;18(7):e1010275	3D 状态空间模型 + 固定区间平滑，实时推断 ANS 激活
贝叶斯 EDA（BayesianEDA）	同上系列	单动态系统内整合 tonic 与 phasic
统一动态模型	后续工作（arXiv:2311.02799 口径）	单一动态系统分解 SC + 推断 sudomotor 神经活动

使用本数据集做 EDA 分析时，官方推荐复用 computational-medicine-lab 的 Skin-Conductance-Based-Stress-State-Estimation 与 Skin-Conductance-Deconvolution 代码库——这是数据集附带的方法工具链，大大降低了上手门槛。

4.4 多模态使用的兴起

原始论文只用 EDA；但数据集明确鼓励多模态使用（“This dataset can widely be used with more advanced techniques with multimodal recordings”）。第三方研究已经扩展：

EDA + HR + TEMP：Applied Psychophysiology 2025 同时分析三路信号与成绩的关系，并比较考试内 start/middle/end 时段；
IBI/HRV 为主：MDPI Sensors 2025 提取 IBI 做 HRV 特征选择，并把本数据集作为外部验证；
全模态 + Transformer：arXiv 2606.14960 用全部信号 + 深度模型，把准确率提到 96%。

趋势很清楚：原始论文证明了单模态有信号，后续研究证明多模态能显著提升（§7）。

4.5 预处理注意事项

真实考场数据典型的预处理陷阱：

运动伪影剔除：ACC 可用于识别剧烈运动区间，但考试中"轻度运动"（写字的细微动作）恰恰与压力反应同时发生，剔除时需谨慎，避免连信号一起削掉；
EDA 去卷积：直接对原始 SC 做特征会混淆 tonic 与 phasic，建议先分解（用 §4.3 工具链）；
重采样对齐：EDA/TEMP 4 Hz、BVP 64 Hz、ACC 32 Hz、IBI 事件型——多模态融合前需统一时间栅格；
会话对齐：用"距 9:00 AM 开考的分钟数"而非绝对时间戳（§2.4）；
个体归一化：10 人的个体差异极大，跨人中位数/基线归一化往往比原始值更稳。

§5 任务设定与标注体系

5.1 任务一：成绩高低二分类（原始论文主线）

最核心的任务是从生理信号预测考试成绩的高低：

项	设定
输入	EDA（原始论文）；后续扩展为多模态
特征	9 个工程特征（三段均值/方差 + 差分信号 + 比率）
输出	成绩高/低二分类
结果	最高准确率 70-80%
切分	三次考试（Midterm 1/2/Final）分别建模

这一任务的现实意义是"用生理信号在考后回看表现，或（更激进地）探索事前/事中预测"。论文措辞克制，只宣称 preliminary viability。

5.2 任务二：压力趋势描述

论文另给出一项描述性任务：计算考试期间压力水平的平均趋势线，刻画一场考试中压力如何随开始—中段—结束而变化。这不需要分类标签，是纯描述性分析，也是"start/middle/end"三段划分的动机来源。

5.3 任务三（衍生）：压力 vs 非压力外部验证

第三方（MDPI Sensors 2025）把本数据集重新包装为压力二分类任务：

Midterm 1 → non-stress（基线）；
Final → high-stress（高压力）；
提取 IBI/HRV 特征，用在其主数据集上训练好的模型做跨数据集外部验证。

这是"把成绩预测数据集挪用作压力识别数据集"的典型改造。它说明本数据集虽无压力标签，但**"期中考 vs 期末考"的难度/重要性差异可被当作压力的代理标签**（一种弱监督思路）。使用时要清楚：这是使用者的构造，不是数据集原生标签。

5.4 标签体系总结

本数据集的标签只有两级：

考试场次标签（session label）：Midterm 1 / Midterm 2 / Final——每个 CSV 所属目录即隐含此标签；
成绩标签（grade label）：StudentGrades.txt 中的分数（原始 200 分制）。

没有的标签：情绪状态、逐刻压力、主观感受、人口学属性、任务难度评分。这一"稀疏标签"特性决定了它的用法——要么做"场次/成绩"相关的任务，要么由使用者自造弱标签（如 §5.3）。

5.5 与"强标签"数据集的对照

把本数据集放进压力/情感识别的标签丰富度光谱：

数据集	标签丰富度	标签类型
WESAD（rid 67）	高	情绪状态 + 多套自评问卷
DEAP（rid 332）	高	效价/唤醒度 + 多被试评分
本数据集	低	场次 + 成绩
PPG-DaLiA（rid 202）	中	活动类型 + 心率参考

低标签丰富度的两面性：负面是任务受限、监督信号弱；正面是标签客观（考试成绩是硬结果，不受主观问卷噪声影响）、采集成本低、可扩展。这是"真实性 vs 标注密度"的经典权衡。

§6 获取与许可

6.1 许可：ODC-By-1.0（最宽松档）

数据集采用 Open Data Commons Attribution License v1.0（ODC-By-1.0）：

可自由使用：任意目的，包括商用；
可修改/再分发：可派生、可再发布；
唯一义务：署名（attribution）——保留来源与许可说明即可；
无"非商业"限制（不同于 CC BY-NC 系）、无"相同方式共享"限制（不同于 CC BY-SA）、无"禁止演绎"（不同于 CC BY-ND）。

PhysioNet 页面将其标为 Open Access（绿锁 “fa-lock-open” badge），并写明：“Anyone can access the files, as long as they conform to the terms of the specified license.”（任何人只要遵守许可条款即可访问全部文件。）

6.2 三条下载路径（全部无需注册）

方式	命令/操作
网页 ZIP	直接下载 `Data.zip`（82.0 MB）
wget 递归	`wget -r -N -c -np https://physionet.org/files/wearable-exam-stress/1.0.0/`
AWS S3 公共桶	`aws s3 sync --no-sign-request s3://physionet-open/wearable-exam-stress/1.0.0/ DESTINATION`

关键点：--no-sign-request 表示无需 AWS 凭证，physionet-open 是公开桶——这是可获取性的最高档（比带注册的 S3 更开放）。

6.3 版本与校验

版本链：仅 1.0.0（无后续版本，抓取时点 2026-10-03）；
官方提供 SHA256SUMS.txt 供下载后校验完整性；
DOI 10.13026/kvkb-aj90 是该版本的持久标识。

6.4 参考代码与工具链

数据集页推荐 computational-medicine-lab 的代码库，用于 EDA 处理：

Skin-Conductance-Based-Stress-State-Estimation
Skin-Conductance-Deconvolution
（同组织下）tonic-phasic-decomposition-tbme（T-BME 2021 稀疏分解）

这些库与本数据集构成"数据 + 方法"配对的开放资源，使用门槛因此进一步降低。

6.5 获取决策卡

你的情况	行动
想立刻跑通	`aws s3 sync --no-sign-request ...` 或网页 ZIP（82 MB，秒级）
要做 EDA 分析	下载数据 + clone `computational-medicine-lab` 代码库
要做多模态/深度模型	数据全开放，直接进管线；注意运动伪影与个体归一化（§4.5）
要用作外部验证	提取 IBI/HRV，按 §5.3 的期中考/期末考切分构造压力代理标签
关心引用	同时引 PhysioNet 数据集（doi:10.13026/kvkb-aj90）与论文（doi:10.1109/HI-POCT54491.2022.9744065）

6.6 引用规范

@misc{amin2022wearableexam,
  title        = {A Wearable Exam Stress Dataset for Predicting Cognitive
                  Performance in Real-World Settings},
  author       = {Amin, Md Rafiul and Wickramasuriya, Dilranjan and
                  Faghih, Rose T.},
  year         = {2022},
  month        = may,
  publisher    = {PhysioNet},
  version      = {1.0.0},
  doi          = {10.13026/kvkb-aj90},
  url          = {https://doi.org/10.13026/kvkb-aj90},
  note         = {RRID:SCR_007345}
}

@inproceedings{amin2022grades,
  title     = {A Wearable Exam Stress Dataset for Predicting Grades
               using Physiological Signals},
  author    = {Amin, Md. Rafiul and Wickramasuriya, Dilranjan S. and
               Faghih, Rose T.},
  booktitle = {2022 IEEE Healthcare Innovations and Point of Care
               Technologies (HI-POCT)},
  year      = {2022},
  doi       = {10.1109/HI-POCT54491.2022.9744065}
}

注意：PhysioNet 还要求引其平台论文（Pollard et al., Nature Health 2026），并标注 RRID:SCR_007345。

6.7 为什么这个数据集是"可获取性标杆"

在本库收录的数据集里，可获取性从"注册墙"到"请求制"到"公开直链"构成一条光谱。本数据集稳稳落在最开放的一端：

档位	典型形态	本数据集
注册墙	需注册账号 + 审批	—
请求制	邮件作者申请（用途+机构）	—
平台托管	Zenodo/HF 需登录或 gated	—
公开直链	HTTP/S3 无门槛	✅（且是 `--no-sign-request` 公共桶）

它的意义在于提供一个"零摩擦"的正面样本：检验一个数据平台是否真正开放，最简单的测试就是"能不能用一条命令把全量数据拉到本地"——本数据集通过了这个测试（§6.2）。对 AI-Ready 评测而言，它是"满分可获取性"的参照系。

6.8 使用许可时的实操提醒

虽然 ODC-By-1.0 非常宽松，仍有几处实操细节：

署名要具体：仅写"数据来自 PhysioNet"不够，应写明数据集全称、作者、DOI（§6.6）；
保留许可说明：再分发（如打包进你的公开数据集）时应附带 ODC-By-1.0 说明；
注意关联论文的许可：数据集是 ODC-By-1.0，但原始 IEEE 论文本身受 IEEE 版权约束（非开放获取），引论文观点不等于可自由复制论文全文——数据许可与文献许可要分开看；
衍生作品的署名：基于本数据训练出的模型/派生数据，若再分发，按 ODC-By 精神应注明数据来源。

6.9 与"数据可用性声明"缺失问题的对照

许多期刊论文的"数据可用性声明"流于形式（"available upon request"却常常联系不上作者）。本数据集反其道而行：不仅完全开放，还在 PhysioNet 上给出了可执行的三条下载命令（网页/wget/AWS）。这种"把可获取性写进命令里"的做法，是值得其他数据发布者借鉴的范式——可获取性不应只是一个形容词，而应是一行能被复制粘贴执行的代码。

§7 第三方使用与评估基准

7.1 原始基准（2022）

原始论文建立的基准：EDA 趋势线 + 9 工程特征 + 基础 ML → 成绩高低二分类，最高准确率 70-80%。这是所有后续工作的对照起点。论文同时强调这只是"完整数据集潜在价值的一个演示"。

7.2 第三方研究总览

研究	出处	用法	关键结果
Amin et al.（原始）	IEEE HI-POCT 2022	EDA 单模态成绩预测	70-80%
Applied Psychophysiology 2025	Springer, 50:149-164, doi:10.1007/s10484-025-09685-2	EDA/HR/TEMP 与成绩关系；时段分析	假设检验+回归树，比较 start/middle/end
HRV 特征选择	MDPI Sensors 2025;25(13):4154	作外部验证集	IBI→HRV 特征；Midterm1=基线/Final=高压；跨数据集泛化评估
Transformer 多模态	arXiv 2606.14960	全模态 + 深度模型	96%（优于此前 80%）

7.3 96% 的读法

arXiv 2606.14960 报告的 96% 是本数据集迄今最高公开准确率，但有几个必须交代的前提：

模型/特征不同：原始 80% 用 EDA 单模态 + 9 手工特征；96% 用全部信号 + Transformer + 更多特征工程。两者不是同一条件下的对比，不能简单说"数据集支持 96% 的性能"；
样本极小：10 人、30 场考试，96% 与 80% 的差距在如此小的样本上可能不稳定，需交叉验证设计支撑；
论文自述的选型逻辑：该论文明确批评此前研究"仅用 8 路信号里的 EDA 一路"，主张多模态——这与其 96% 的提升方向一致。

使用者的正确态度：把 70-80% 当"基础基线"、96% 当"前沿尝试"，两者的模型复杂度差异要一并报告。

7.4 外部验证价值

MDPI Sensors 2025 把本数据集当作外部验证集这一点特别值得强调：一个在独立数据集（可能是规模更大、标注更细的压力数据集）上训练好的 HRV 模型，拿到本数据集上测试其跨数据集可迁移性。这揭示了两层价值：

本数据集虽是"成绩预测"出身，但可被复用为压力识别模型的现实压力测试台；
它的"真实考场"属性使其比实验室数据更能暴露模型的过拟合——用实验室数据训练的模型在真实伪影环境下掉分，正是最需要知道的。

7.5 为什么它很难有一个统一 leaderboard

与本库内的挑战赛数据集（如 PANDA、BraTS）不同，本数据集没有官方 leaderboard、没有固定划分、没有统一指标：

原始论文用成绩二分类准确率；
后续研究各用各的切分（是否用 Final 作高压力、是否用全部三场）；
有的做回归（成绩预测）、有的做分类（压力/成绩二分）。

因此引用其"性能"时，必须写明是哪个任务、哪个切分、哪个模型，否则极易误导（坑 4）。

§8 生态与影响

8.1 在 PhysioNet 可穿戴数据生态中的位置

PhysioNet 承载大量生理信号数据集，本数据集是其中可穿戴 + 真实场景 + 认知表现的少数派：

与 WESAD 一起构成"实验室 vs 真实世界"的对照对；
与前文提及的 PPG、睡眠、体动数据集（§8.3）共同覆盖外周生理信号的多种现实场景；
因 ODC-By-1.0 与公共 S3 桶，是 PhysioNet 上可获取性最高的一档数据。

8.2 方法学影响

Faghih 组的贡献分两半：方法（EDA 建模） 与 数据（本数据集）。本数据集的价值在于把抽象的方法放进了真实场景：

它推动"EDA 去卷积/状态空间建模"从实验室数据走向考场数据；
它的运动伪影问题迫使研究者正视"真实世界信号质量"这一被实验室数据掩盖的工程难点；
它的"设备号中介"隐私流程是小规模现实采集的可复用模板。

MINDWATCH（NSF CAREER 1942585）项目名本身就点明了愿景：可穿戴自适应闭环架构下的多模态无创脑状态解码器——本数据集是这条研究路线的一块真实场景拼图。

8.3 库内可互链条目

库内条目	rid	关系
WESAD	67	核心对照：实验室压力/情感识别 vs 本条目真实考场（§3.4）
DEAP	332	实验室诱发情感（EEG+外周），标签丰富度高
MHEALTH	222	多模态可穿戴运动/生理信号，场景（日常活动）对照
PAMAP2	212	可穿戴体动/心率日常活动数据
PPG-DaLiA	202	BVP/PPG 信号与活动标签，信号模态重叠（BVP）
BIDMC-PPG	74	PPG 生理信号数据集（PhysioNet 同源）
BUTPPG	803	PPG 信号数据集
VitalDB	192	多参数生命体征（PhysioNet 平台），临床 vs 日常对照
EEGMMIDB	342	生理信号分类基准传统
BCI Competition IV-2a	352	生理信号分类基准
Gait-PD / Gait-in-Aging	242 / 232	可穿戴传感器步态任务
Daphnet-FOG	252	可穿戴加速度计冻结步态检测
NinaPro	372	可穿戴 EMG 手势识别
NSRR / HMC-Sleep-Staging	312 / 654	睡眠生理（长时程真实信号主题对照）

8.4 跨场景复用建议

研究者把本数据集迁用到其他问题时，可参考三条路径：

个人基线段：每场考试开始前/成绩不相关的信号可作个体基线，用于个体归一化；
难度代理：期末（更难/更重要）作"高压"、期中考作"中压"（第三方已用此思路）；
伪影研究：ACC 与 EDA 的耦合是"真实世界 EDA 伪影"的理想研究素材。

§9 与库内条目的关系

9.1 家族图谱

WESAD（rid 67）：最直接的对照条目。二者是同一位（类）研究者生态下的可穿戴压力数据两极——WESAD 是实验室标杆（15 人、强标签、多设备），本条目是真实世界代表（10 人、弱标签、单设备）。读压力识别综述时两者应同现。
DEAP（rid 332）：情感计算另一传统（EEG+外周，效价/唤醒标注）。与本条目共享"外周生理↔心理状态"的问题意识，但诱导方式（音乐/视频）与标签体系迥异。
PPG-DaLiA（202）/ BIDMC-PPG（74）/ BUTPPG（803）：BVP/PPG 信号家族。本条目含 BVP 与 IBI 两路脉搏信号，属该家族的真实场景成员。
MHEALTH（222）/ PAMAP2（212）：可穿戴多模态活动数据，与本条目共享"腕部/身戴传感器 + 真实日常"的问题域。
VitalDB（192）：PhysioNet 平台上的临床多参数生命体征数据，与本条目构成"临床受控 vs 日常真实"对照。
Gait-PD（242）/ Daphnet-FOG（252）/ NinaPro（372）：可穿戴信号的具体任务应用（步态/冻结步态/手势），可见可穿戴数据的下游任务光谱。

9.2 检索路径建议

精确检索词：“wearable exam stress” + “skin conductance” + “Empatica E4”；
勿用 “WESAD” 检索本条目（既非别称也不相关，只是同域易混）；
找代码：GitHub 组织 computational-medicine-lab；
找下游工作：引 DOI 10.13026/kvkb-aj90 的论文（PhysioNet 会统计引用）。

9.3 与其他"真实世界信号"条目的方法论呼应

本条目与本库内若干"强调真实场景、弱化实验室"的条目在方法论上同族：真实世界信号固有的伪影、缺失、无法标准化的特性，使得标注质量与预处理成为比模型选择更关键的因素。本数据集用"考场 + 成绩"给出了一个客观念标（成绩）锚定主观感受（压力）的范例，这一"用硬结果校准软感受"的思路，与本库内多个真实世界队列/移动健康条目的设计哲学相通。

§10 避坑清单：八个已踩过的坑

坑 1：别与 WESAD 混为一谈。两者都涉及可穿戴 + 压力 + Empatica E4，但 WESAD 是实验室（15 人、TSST 诱导、强情绪标签、胸+腕双设备），本数据集是真实考场（10 人、无诱导、仅成绩弱标签、单腕设备）。引用数字时必须先确认来源是哪一个——最常见的错误是把 WESAD 的 15 人写成本数据集的规模。

坑 2：论文标题与数据集标题不同。数据集（PhysioNet）标题为 “A Wearable Exam Stress Dataset for Predicting Cognitive Performance in Real-World Settings”；原始 IEEE 论文标题为 “A Wearable Exam Stress Dataset for Predicting Grades using Physiological Signals”。同一数据集两套标题（认知表现口径 vs 成绩口径），检索与引用时都要能对上。

坑 3：准确率双口径。原始论文 70-80%；第三方 arXiv 2606.14960 报 96%。两者模型/特征/模态完全不同（EDA 单模态手工特征 vs 全模态 Transformer），不能直接对比。只报 96% 会误导读者以为数据集本身支持这么高精度。

坑 4：没有统一 benchmark/leaderboard。任务切分、指标、是否用 Final 作高压各研究自定；引用性能时须写明任务/切分/模型，否则无法复现或比较。

坑 5：tags.csv 不是压力标签。目录里的 tags.csv 是设备事件标记（如按键事件），不是压力/情绪状态标签。误以为它有逐刻标签是常见误解——本数据集没有逐刻状态标注（§5.4）。

坑 6：样本极小，警惕过度解读。10 人、30 场记录，任何相关性/准确率都可能是偶然。原始论文自己都用 “preliminary viability” 措辞，并建议未来工作扩大样本。把 96% 当作普适性能是典型的过度解读。

坑 7：运动伪影与真实场景的双刃剑。真实采集使数据"接地气"，但也让信号含伪影。直接用未经预处理的原始信号建模，性能会被伪影主导。务必先做去伪影/去卷积（§4.5）。

坑 8：时间戳只有"日期被平移"。unix 时间戳做了日期平移去标识但不变时间轴，所有考试固定 9:00 AM（CT/CDT）开始。用绝对日期做跨数据匹配会失败；用"距开考分钟数"做会话内对齐才可靠（§2.4）。

§10 附：坑点的根因归类

八个坑可归为三类根因，理解根因比背坑点更有用：

根因	相关坑	本质	通用对策
命名歧义	坑 1、坑 2	数据集名/论文名/近邻数据集名高度相似	引用前先核对 DOI；检索时用精确短语
文档口径漂移	坑 3、坑 4	不同来源/不同模型给出不同数字	报数字必带上下文（任务/模型/切分）
数据结构误读	坑 5、坑 8	文件命名/时间戳语义易被想当然	先读 readme/info.txt 再写代码

命名歧义类：本数据集与 WESAD 的混淆风险最高，因为二者共享"可穿戴+压力+E4"的记忆锚点。破解办法是记住一个硬区分：WESAD=15 人实验室，本数据集=10 人考场。
文档口径漂移类：准确率 70-80%（原始）vs 96%（第三方）是典型。破解办法是永远写清模型与模态。
数据结构误读类：tags.csv 与时间戳是两大陷阱。破解办法是下载后先 head 一遍每个文件再用。

FAQ（高频问答 32 问）

A. 基础认知

Q1：这个数据集是干什么的？
用可穿戴设备在真实考场采集生理信号，研究"压力/生理反应能否预测考试成绩（认知表现）"。它是数据集贡献，不是一个挑战赛或排行榜。

Q2：“A Wearable Exam Stress Dataset” 这个名字里哪个词最关键？
“Wearable”（可穿戴）与 “Real-World”（真实世界）。前者指 Empatica E4 腕带，后者指考场而非实验室——这正是它与 WESAD 类数据集的分水岭。

Q3：谁做的？
University of Houston 电气与计算机工程系 Computational Medicine Laboratory，通讯/资深作者 Rose T. Faghih（现 NYU Tandon 生物医学工程系）；一作 Md Rafiul Amin；共 3 位作者。

Q4：什么时候发布的？
数据 PhysioNet v1.0.0 发布于 2022-05-26；对应会议论文收录于 IEEE HI-POCT 2022（会议 2022-03-10/11，Houston）。

Q5：发表在哪个会议？
2022 IEEE Healthcare Innovations and Point of Care Technologies (HI-POCT)，doi:10.1109/HI-POCT54491.2022.9744065。

Q6：DOI 是什么？
数据集 DOI 是 10.13026/kvkb-aj90（PhysioNet）；论文 DOI 是 10.1109/HI-POCT54491.2022.9744065。引用时两个都要给。

Q7：是挑战赛吗？
不是。没有比赛、没有排行榜、没有固定划分，是一个供研究使用的开放数据集。

Q8：一句话卖点？
"真实考场"是它最大的差异点——在实验室压力识别数据集泛滥的年代，它提供了难以获取的真实世界认知压力数据。

Q9：最大的局限？
样本极小（10 人）+ 无诱导（无逐刻状态标签）+ 真实场景（含运动伪影）。三者叠加决定了它适合做探索/外部验证，不适合做统计结论或普适性能声称。

Q10：它和 WESAD 什么关系？
互补的对照，不是版本关系。WESAD（实验室、15 人、强标签）与本数据集（真实考场、10 人、弱标签）是压力识别数据的光谱两端。

B. 数据与获取

Q11：怎么下载？
网页下 ZIP（82.0 MB）、wget -r -N -c -np https://physionet.org/files/wearable-exam-stress/1.0.0/、或 aws s3 sync --no-sign-request s3://physionet-open/wearable-exam-stress/1.0.0/ DESTINATION——三条路都无需注册。

Q12：需要申请吗？要签 DUA 吗？
不需要。开放获取（Open Access），无注册墙、无申请、无数据使用协议。

Q13：什么许可？能商用吗？
ODC-By-1.0（Open Data Commons Attribution License v1.0）。署名即可使用，含商用，可修改可再分发。所有 CC 系"非商业/相同方式共享/禁止演绎"限制都不适用。

Q14：多大？
未压缩 82.1 MB，ZIP 82.0 MB——是个"小到可以秒下"的数据集。

Q15：有多个版本吗？
截至抓取时点（2026-10-03）只有 1.0.0 一个版本。

Q16：数据文件怎么组织？
Data.zip → S1…S10 被试目录 → 各含 Final / Midterm 1 / Midterm 2 → 各含 ACC/BVP/EDA/HR/IBI/tags/TEMP 七个 CSV + info.txt；另有 StudentGrades.txt 成绩表。

Q17：采样率是多少？
EDA 4 Hz、TEMP 4 Hz、BVP 64 Hz、ACC 32 Hz（E4 规格）；IBI 为逐搏事件序列。确切值以各 info.txt 为准。

Q18：有参考代码吗？
有。GitHub 组织 computational-medicine-lab，重点 Skin-Conductance-Based-Stress-State-Estimation 与 Skin-Conductance-Deconvolution。

C. 标签与任务

Q19：有压力/情绪标签吗？
没有。只有考试场次（时间区间）+ 成绩。这是它与 WESAD/DEAP 的核心区别。

Q20：那怎么做压力识别？
使用者自造弱标签。例如第三方把 Midterm 1 当 non-stress、Final 当 high-stress（§5.3）。这是使用者的构造，需要自己交代清楚。

Q21：成绩是什么格式？
StudentGrades.txt，原始口径满分 200 分制；可归一到 0-100 使用。

Q22：原始任务是什么？
EDA 趋势线 + 9 工程特征 → 成绩高低二分类，最高 70-80%。

Q23：9 个特征具体是什么？
EDA 分 start/middle/end 三段，各段均值与方差 + 差分信号 + 段间比率（如 middle/(start+end)）等组合，共 9 个。详见论文。

Q24：成绩预测能做到多准？
基础方法 70-80%；用全模态 + Transformer 的第三方研究报 96%（但样本小、不可直接与外推）。

D. 使用与复现

Q25：为什么真实考场数据难处理？
运动伪影。学生握笔、翻卷、调姿势的细微运动与压力反应同时发生，既污染信号又难以干净剔除（§4.5）。

Q26：EDA 怎么预处理？
先做 tonic/phasic 分解（去卷积），再提取 phasic 成分的峰值/频率特征。可直接复用官方推荐的 MATLAB/Python 代码库。

Q27：多模态怎么融合？
EDA/TEMP 4 Hz、BVP 64 Hz、ACC 32 Hz、IBI 事件型——先统一时间栅格，再按"距开考分钟数"对齐会话，最后做个体归一化。

Q28：10 人样本能做深度学习吗？
可以尝试（第三方用 Transformer 做了），但要极其小心过拟合。建议留一被试交叉验证（LOSO），并报告置信区间。

Q29：能用来做泛化研究吗？
非常适合——作为外部验证集。用一个大数据集训练，拿到这里测，看模型能否扛住真实伪影与个体差异（第三方已如此使用）。

Q30：数据集的运动伪影是缺点还是优点？
看用途。对"追求干净信号"是缺点；对"研究真实世界鲁棒性"是优点——它把实验室数据掩盖的工程问题暴露出来。

E. 生产与库内

Q31：本条目为什么叫 wearable-exam-stress？
取自 PhysioNet 的官方 url_name（wearable-exam-stress），精确、可检索、无撞库（查重 0 命中）。

Q32：本条目与库内 WESAD（rid 67）冲突吗？
不冲突，是互补对照。WESAD 记实验室标杆，本条目记真实世界代表，检索任一应提示另一。二者是同域两极，同读才完整。

F. 工程与工程伦理

Q33：为什么用设备号而不是姓名对接成绩？
隐私设计。研究者只见"设备号—人"，教师只见"设备号—成绩"，两段拼接发生在分析阶段且已去标识；单一角色无法同时看到姓名与成绩（§3.3）。

Q34：日期平移去标识安全吗？
对本文数据集属中等强度去标识——去掉了可追溯的绝对日期，但保留了日内时刻结构。对 10 人的小群体，若结合"某门课某次考试"的外部信息理论上仍有再识别风险，这也是为什么性别、年龄等一概不公开。

Q35：能用于临床诊断吗？
不能。这不是临床诊断数据——没有临床标签、没有患者群体、没有病理金标准。它的定位是行为/认知研究，任何临床结论都需要另行验证。

Q36：数据集里能不能做个体差异研究？
可以，但要谨慎。10 人足以做个体内（同一人跨三次考试）的纵向分析（这正是设计初衷），但不适合做个体间的组间统计——样本量撑不起。

Q37：如果考试不是 9 点开始的数据存在吗？
不存在。所有考试统一 9:00 AM（CT/CDT）开始，且时间轴未平移，因此每场考试的"距开考分钟数"是可靠的对齐键（§2.4）。

Q38：为什么数据集这么小还值得收录？
因为它填补了"真实世界认知压力"这一数据空白，且可获取性满分。数据集价值不等于规模——稀缺场景 + 完全开放 + 方法工具链配套，使它成为小样本真实数据集的代表案例。

Q39：与其他 PhysioNet 数据集相比它活跃吗？
中等偏下。项目浏览量 1260（抓取时点），属稳定使用但非爆款；引用主要来自压力识别/情感计算/HRV 方向。

Q40：未来最希望它补充什么？
① 扩大被试到可做组间统计的规模；② 增加逐刻压力自评（如考前/考后问卷）；③ 多机构采集以检验人群泛化——三者各自对应它的三大现存局限（样本小、弱标签、单群体）。

Q41：为什么本条目反复强调"注明来源"？
因为本数据集最大的引用风险不是许可（很宽松），而是与 WESAD 混淆和准确率口径混用。只要每处数字都写明"来自哪个源、哪个模型"，就能避免几乎所有误读。

Q42：如果只记住三件事？
① 10 人真实考场、无诱导、弱标签；② ODC-By-1.0 完全开放、82 MB 秒下；③ 它与 WESAD 是"真实世界 vs 实验室"的两极，勿混。

事实清单（硬事实 34 条）

数据集全称：A Wearable Exam Stress Dataset for Predicting Cognitive Performance in Real-World Settings。
原始论文标题：A Wearable Exam Stress Dataset for Predicting Grades using Physiological Signals（IEEE HI-POCT 2022）。
作者 3 人：Md Rafiul Amin、Dilranjan S. Wickramasuriya、Rose T. Faghih。
机构：University of Houston 电气与计算机工程系 Computational Medicine Laboratory；Faghih 现属 NYU Tandon。
数据版本：PhysioNet v1.0.0，发布于 2022-05-26。
数据集 DOI：10.13026/kvkb-aj90（RRID:SCR_007345）。
论文 DOI：10.1109/HI-POCT54491.2022.9744065（会议 2022-03-10/11，Houston）。
许可：ODC-By-1.0（Open Data Commons Attribution License v1.0）。
访问级别：Open Access（任何人遵守许可即可访问全部文件）。
被试数：10 名大学生。
性别构成：2 女 + 8 男（去标识目的不在数据中标注）。
考试场次：每人 3 场（Midterm 1、Midterm 2、Final），共 30 场。
考试时长：期中各 1.5 小时，期末 3 小时。
统一开考时间：9:00 AM（CT/CDT）。
设备：Empatica E4 腕带（FDA 批准），佩戴非惯用手。
信号模态 6 类：EDA、HR、BVP、TEMP、IBI、ACC。
采样率：EDA 4 Hz、TEMP 4 Hz、BVP 64 Hz、ACC 32 Hz；IBI 逐搏事件。
文件结构：每被试 × 每场 → ACC/BVP/EDA/HR/IBI/tags/TEMP.csv + info.txt。
存储体量：82.1 MB（未压缩）/ 82.0 MB（ZIP）。
成绩标签：StudentGrades.txt（原始满分 200 分制）。
时间戳处理：日期平移去标识、不变时间轴；平移不改夏令时状态。
伦理：University of Houston IRB 审批。
资助：NSF 1942585（MINDWATCH CAREER）与 1755780（CRII: CPS）。
原始论文任务：EDA 趋势线 + 9 工程特征 → 成绩高低二分类。
原始论文结果：最高准确率 70-80%。
原始论文结论措辞：preliminary viability（初步可行性）。
EDA 分段：start / middle / end 三段。
记录条数示例：某被试 Midterm 1 有 44,712 条 EDA，Final 有 93,582 条。
第三方（Applied Psychophysiology 2025）用 EDA/HR/TEMP + 回归树分析成绩关系。
第三方（MDPI Sensors 2025）用 IBI/HRV 做外部验证，Midterm1=基线、Final=高压。
第三方（arXiv 2606.14960）用全模态 Transformer 报 96% 准确率。
无逐刻压力/情绪标注；标签仅场次 + 成绩。
无统一 leaderboard/固定划分/统一指标。
PhysioNet 项目浏览量 1260（抓取时点 2026-10-03）。

术语表（28 条）

术语	释义
EDA	electrodermal activity，皮肤电活动；汗腺受交感神经支配引起的皮肤电学变化
SC	skin conductance，皮肤电导；EDA 的常用度量，单位微西门子（μS）
tonic（SCL）	皮肤电导的慢变基线分量（skin conductance level）
phasic（SCR）	皮肤电导的快变反应分量（skin conductance response），压力反应主要载体
去卷积（deconvolution）	从叠加信号中分离 tonic/phasic 的数学处理
Empatica E4	FDA 批准的科研级腕带，测 EDA/HR/BVP/TEMP/ACC
BVP	blood volume pulse，血容量脉搏（光电容积法）
PPG	photoplethysmography，光电容积描记
IBI	inter beat interval，逐搏间期；HRV 分析的原始序列
HRV	heart rate variability，心率变异性；自主神经活动的常用指标
ACC	accelerometer，三轴加速度计；测运动/活动量
TEMP	skin surface temperature，皮肤表面温度
运动伪影（motion artifact）	佩戴者运动引起的信号污染
趋势线（trendline）	对信号滤波后得到的粗粒度变化曲线
二分类（binary classification）	输出两个类别（如成绩高/低）的任务
LOSO	leave-one-subject-out，留一被试交叉验证；小样本生理数据的标准验证协议
弱标签（weak label）	不精确/间接的监督信号，如用考试场次代理压力状态
实验室数据	受控环境下人工诱导采集的数据（如 WESAD 的 TSST）
真实世界数据	非受控环境下自然发生场景采集的数据（如本数据集的考场）
TSST	Trier Social Stress Test，特里尔社会压力测试；实验室常用压力诱导范式
ODC-By-1.0	Open Data Commons Attribution License v1.0，署名型开放数据许可
Open Access	开放获取；无注册墙/申请即可访问
PhysioNet	由 MIT 与 BIDMC 运营的生理信号数据平台（RRID:SCR_007345）
HI-POCT	IEEE Healthcare Innovations and Point of Care Technologies 会议
MINDWATCH	NSF CAREER 项目，多模态无创脑状态解码可穿戴闭环架构
外部验证（external validation）	在训练数据集之外的独立数据上测试模型
LOSO gap	跨被试泛化差距；本类小样本数据的核心风险
夏令时（CT/CDT）	美国中部时区标准时/夏令时；本数据集时间戳的时区锚

附录

附录 A：条目信息速查卡

项	值
条目名	A Wearable Exam Stress Dataset
url_name	wearable-exam-stress
类型	真实世界可穿戴生理信号数据集
数据发布	PhysioNet v1.0.0（2022-05-26）
论文	IEEE HI-POCT 2022
团队	University of Houston 计算医学实验室
规模	10 人 × 3 场考试 = 30 场记录
信号	EDA/HR/BVP/TEMP/IBI/ACC
许可	ODC-By-1.0（Open Access）
体量	82.1 MB
抓取时点	2026-10-03
库内互链	wesad(67)/deap(332)/vitaldb(192)/mhealth(222)/ppg-dalia(202)

附录 B：DAIMS 评估全表

维度	评分（1-10）	依据
D 可发现性	8	PhysioNet 平台全球索引、DOI 持久标识、RRID；但名称与 WESAD 易混
A 可获取性	10	ODC-By-1.0 + Open Access + 公共 S3 桶 + 无注册墙——可获取性最高档
I 可互操作	7	标准 CSV + TXT，任何语言可读；无 DICOM/BIDS 等标准化封装
M 元数据质量	7	info.txt 逐文件说明 + readme + 论文；但逐场考试级别元数据较简
S 可持续性	8	PhysioNet 长期托管（25 年）+ AWS 公共桶；无版本更新风险
综合评级	8.0/10（高）	可获取性与可持续性突出；扣分主要在互操作标准化与元数据深度

附录 C：逐项证据链自证

关键数字	来源	位置
10 subjects / 3 exams	PhysioNet 官方页 + 论文	Methods/Abstract
2 女 8 男	PhysioNet 官方页	Data Description 末条
E4 / FDA / 非惯用手	PhysioNet 官方页 + 第三方	Methods
1.5 h / 3 h / 9:00 AM	PhysioNet 官方页	Data Description
ODC-By-1.0 / Open Access	PhysioNet view-license 页	License 段
82.1 MB	PhysioNet 文件页	Files 段
NSFW 1942585 / 1755780	PhysioNet 官方页	Acknowledgements
70-80% 准确率	IEEE HI-POCT 论文摘要	Abstract
9 特征 / 三段切分	第三方转述（arXiv 2606.14960）	§3.1
44,712 / 93,582 条	Applied Psychophysiology 2025	Materials and Methods
96%	arXiv 2606.14960	Abstract/Results
Midterm1=基线 Final=高压	MDPI Sensors 2025;25(13):4154	§2.1
项目浏览量 1260	PhysioNet 官方页	Project Views

附录 D：数据获取决策树

你要做什么？
├── 立刻下载全部数据
│   └── aws s3 sync --no-sign-request s3://physionet-open/wearable-exam-stress/1.0.0/ ./
├── 处理 EDA
│   ├── 1) 下数据
│   └── 2) clone computational-medicine-lab 代码库做去卷积
├── 做压力识别（无原生标签）
│   └── 自造弱标签：Midterm1=基线 / Final=高压（注明是使用者构造）
├── 做成绩预测
│   └── 复现原始 9 特征基线，或扩展多模态+深度模型
└── 做外部验证
    └── 提取 IBI/HRV，用别处训练的模型在本数据集上测试泛化

附录 E：信号速查表

信号	采样率	单位	主要用途	预处理要点
EDA	4 Hz	μS	压力唤起核心指标	去卷积分 tonic/phasic
HR	由 BVP 派生	bpm	唤起水平	与 BVP 一致性核对
BVP	64 Hz	—	脉搏波形	带通滤波
TEMP	4 Hz	°C	外周血管反应	去趋势
IBI	逐搏	s/ms	HRV 原始输入	剔除异常搏动
ACC	32 Hz	g	运动/伪影	用于伪影识别，柔化阈值

附录 F：目录结构模板

S{n}/
├── Midterm 1/
│   ├── ACC.csv
│   ├── BVP.csv
│   ├── EDA.csv
│   ├── HR.csv
│   ├── IBI.csv
│   ├── tags.csv      # 设备事件标记，非状态标签
│   ├── TEMP.csv
│   └── info.txt
├── Midterm 2/        # 结构同上
└── Final/            # 结构同上
StudentGrades.txt     # 全体成绩标签

附录 G：EDA 特征工程骨架（代码）

import numpy as np

def eda_features(eda, fs=4.0):
    """原始论文风格的粗粒度 EDA 特征（示意）。
    eda: 一段考试内的 EDA 序列（μS）
    fs : 采样率（E4 EDA 为 4 Hz）
    """
    n = len(eda)
    a, b, c = eda[:n//3], eda[n//3:2*n//3], eda[2*n//3:]  # start/middle/end
    feats = {
        "mean_start": a.mean(), "var_start": a.var(),
        "mean_mid":   b.mean(), "var_mid":   b.var(),
        "mean_end":   c.mean(), "var_end":   c.var(),
        "diff_mid_start": b.mean() - a.mean(),
        "diff_end_mid":   c.mean() - b.mean(),
        "ratio_mid":  b.mean() / (a.mean() + c.mean() + 1e-9),
    }
    return feats  # 共 9 个特征，供成绩高低二分类

附录 H：多模态对齐骨架（代码）

# 多模态融合前需把不同采样率信号对齐到统一栅格
RATES = {"EDA": 4, "TEMP": 4, "BVP": 64, "ACC": 32, "HR": None, "IBI": None}

def align(signals, target_hz=4):
    """将各信号重采样到 target_hz，并按'距开考分钟数'对齐会话。
    注意：绝对时间戳的日期已被平移，需用日内相对时刻对齐（9:00 AM 开考）。
    """
    import numpy as np
    out = {}
    for name, (t, x) in signals.items():   # t 为秒级时间轴, x 为值
        if name in ("IBI",):               # 事件型 -> 用最近邻填充到栅格
            grid = np.arange(t[0], t[-1], 1.0 / target_hz)
            idx = np.searchsorted(t, grid).clip(0, len(x) - 1)
            out[name] = x[idx]
        else:
            grid = np.arange(t[0], t[-1], 1.0 / target_hz)
            out[name] = np.interp(grid, t, x)
    return out

附录 I：双口径登记表

#	项	口径 A	口径 B	处理
1	标题	数据集页 “Predicting Cognitive Performance in Real-World Settings”	论文 “Predicting Grades using Physiological Signals”	并列存照
2	准确率	原始 70-80%（EDA 单模态）	第三方 96%（全模态 Transformer）	注明任务/模型再引用
3	被试描述	“10 subjects”（论文/数据页）	“a set of students”（新闻稿）	以论文/数据页为准
4	时间线	论文 2022-03 会议	数据 2022-05-26 发布	分记两个时点

附录 J：坑点档案（与 §10 对照）

坑	一句话档案	触发场景
坑 1	与 WESAD 混淆（15 vs 10 人）	引用规模/标签
坑 2	数据集标题 vs 论文标题不同	检索/著录
坑 3	70-80% vs 96% 双口径	性能引用
坑 4	无统一 benchmark	复现/对比
坑 5	tags.csv 非状态标签	预处理
坑 6	10 人小样本过度解读	结论外推
坑 7	运动伪影污染信号	建模
坑 8	时间戳仅日期平移	跨库时间对齐

附录 K：维护计划与触发点

触发点	条件	动作	优先级
新版本发布	PhysioNet 出现 v1.1+	更新规模/许可/版本链	1
新下游论文	用本数据集的新公开研究	§7.2 表扩行	2
官方平台变动	PhysioNet 托管策略/许可变化	§6 改写	3
代码库更新	computational-medicine-lab 新工具	§6.4 补充	4

附录 L：缩略语速查

缩写	全称
EDA	electrodermal activity
SC / SCL / SCR	skin conductance / level / response
HR / HRV	heart rate / variability
BVP / PPG	blood volume pulse / photoplethysmography
IBI	inter beat interval
ACC	accelerometer
TEMP	skin surface temperature
ODC-By	Open Data Commons Attribution License
DAIMS	Discoverability/Accessibility/Interoperability/Metadata/Sustainability
LOSO	leave-one-subject-out
TSST	Trier Social Stress Test
RRID	Research Resource Identification

附录 M：FAIR 检查单

检查项	状态	说明
F1 全局唯一标识	✅	DOI 10.13026/kvkb-aj90 + RRID
F2 富元数据	✅	readme + info.txt + 论文
A1 可访问协议	✅	Open Access，HTTP/S3 直链
A2 元数据可访问	✅	元数据随数据全开放
I1 互操作格式	⚠️	CSV/TXT 通用但未用 BIDS 等标准
I2 词汇表引用	✅	EDA/HRV 等标准生理学术语
R1 来源溯源	✅	采集流程与机构明示
R1.2 许可明确	✅	ODC-By-1.0 明确标注
AI-Ready 综合	高	开放可获取性最好的一档

附录 N：与 WESAD 对照总表（跨库）

维度	WESAD（rid 67）	本数据集
场景	实验室	真实考场
诱导	TSST + 视频	无
被试	15 有效	10
设备	RespiBAN + E4	仅 E4
信号	ECG/EDA/EMG/RESP/TEMP/ACC/BVP	EDA/HR/BVP/TEMP/IBI/ACC
标签	情绪状态 + 问卷	场次 + 成绩
许可	见原站	ODC-By-1.0
库内 rid	67	本条目

附录 O：许可条款细读（ODC-By-1.0）

允许：复制、分发、使用、生产衍生作品；
允许商用：无"非商业"限制；
允许修改/再分发：无"禁止演绎/相同方式共享"限制；
唯一义务：署名（attribution）——标明来源数据集与许可；
无担保：数据按"原样"提供。

与 CC BY-4.0 的异同：两者精神一致（署名型开放许可），ODC-By 面向数据库/数据专门设计并明确覆盖数据集合的权利，CC 面向作品。

附录 P：检索路径示范

目标	推荐查询式	预期命中
官方数据	physionet wearable exam stress	PhysioNet v1.0.0
原始论文	“A Wearable Exam Stress Dataset for Predicting Grades”	IEEE HI-POCT 2022
下游工作	doi:10.13026/kvkb-aj90 citations	PhysioNet 引用列表 + 各期刊
代码	computational-medicine-lab GitHub	EDA 处理库
反例（勿混）	“wearable exam stress” WESAD 15 subjects	会把两数据集数字混淆（坑 1）

附录 Q：30 秒决策卡

你的情况	行动
想找个开放小数据集练手	S3 直下 82 MB，秒级到手
做 EDA 去卷积	下数据 + clone 官方代码库
做压力识别	自造弱标签（Midterm1 基线/Final 高压），注明构造
做跨数据集外部验证	提取 IBI/HRV，用你的模型来测
写综述	§3.4 WESAD 对照 + §7 第三方使用表可直接引

附录 R：本条目生产档案

生产通道：rsi_dispatch 任务头 wearable-exam-stress
存在性核验：WebSearch ×3 + WebFetch ×3 + 官方页 curl 实抓（PhysioNet 页面/readme/LICENSE/文件列表/view-license）
三源互证：PhysioNet 官方页 + IEEE HI-POCT 论文 + 第三方复现（Springer/MDPI/arXiv）
FACTS.md：writing/wearable-exam-stress/FACTS.md 九节
成稿方式：五块直写拼接（part1-5），私有区目录带时间戳+PID 唯一化
坑点：§10 八则（坑 1-8）
description：成稿即 ≤170 字符
title：含 | 千方病案医数集 后缀

附录 S：与库内同域条目互链矩阵

库内条目	rid	共享点	差异点	建议内链位置
WESAD	67	可穿戴+压力+E4	实验室 vs 真实考场	§3.4、§9.1、FAQ Q10
DEAP	332	外周生理+心理状态	诱发方式（音视频）	§9.1
MHEALTH	222	可穿戴多模态	日常活动 vs 考场	§9.1
PAMAP2	212	可穿戴体动/心率	活动识别 vs 成绩	§9.1
PPG-DaLiA	202	BVP/PPG 信号	活动标签 vs 场次	§9.1
BIDMC-PPG	74	PPG 信号	临床 vs 考场	§9.1
BUTPPG	803	PPG 信号	场景不同	§9.1
VitalDB	192	多参数生命体征（PhysioNet）	临床受控 vs 日常	§9.1
EEGMMIDB	342	生理信号分类基准	模态（EEG）	§8.3
BCI-IV-2a	352	生理信号分类基准	模态（EEG）	§8.3
Gait-PD	242	可穿戴传感器	任务（步态）	§8.3
Daphnet-FOG	252	可穿戴加速度计	任务（冻结步态）	§8.3
NinaPro	372	可穿戴 EMG	任务（手势）	§8.3
NSRR	312	长时程真实生理信号	模态（睡眠）	§8.3
HMC-Sleep-Staging	654	长时程真实生理信号	模态/任务	§8.3

附录 T：数据集元数据速查（供自动抓取）

slug: wearable-exam-stress
title: "A Wearable Exam Stress Dataset for Predicting Cognitive Performance in Real-World Settings"
version: "1.0.0"
published: "2022-05-26"
doi: "10.13026/kvkb-aj90"
rrid: "SCR_007345"
license: "ODC-By-1.0"
access: "open"
size_uncompressed_bytes: 82000000   # 约 82.1 MB
subjects: 10
sessions_per_subject: 3
total_sessions: 30
device: "Empatica E4"
signals: ["EDA", "HR", "BVP", "TEMP", "IBI", "ACC"]
sampling_hz: {EDA: 4, TEMP: 4, BVP: 64, ACC: 32}
labels: ["session", "grade"]
paper_doi: "10.1109/HI-POCT54491.2022.9744065"
code: "https://github.com/computational-medicine-lab"

附录 U：应用场景矩阵

应用方向	可行性	说明
压力识别算法开发	中	需自造弱标签（场次代理）
成绩/表现预测	高	数据集原生任务
HRV 特征研究	高	IBI 信号完整
跨数据集泛化测试	高	真实伪影环境是天然压力测试
EDA 去卷积方法验证	高	配官方代码库
运动伪影鲁棒性研究	高	ACC+EDA 耦合是理想素材
临床诊断模型	低	无临床标签与患者群体
组间统计对比	低	10 人样本撑不起

附录 V：引用完整性与复现清单

数据引用：Amin, Wickramasuriya & Faghih (2022), PhysioNet, doi:10.13026/kvkb-aj90；
论文引用：Amin et al. (2022), IEEE HI-POCT, doi:10.1109/HI-POCT54491.2022.9744065；
平台引用：PhysioNet 平台论文（Pollard et al., Nature Health 2026）+ RRID:SCR_007345；
许可声明：ODC-By-1.0，保留署名；
口径声明：准确率须注明模型/模态（70-80% 或 96%）；
样本声明：明确 10 人 30 场，结论为提示性；
预处理复现：EDA 去卷积 + 多模态对齐 + 个体归一化（§4.5）；
验证协议：建议 LOSO 交叉验证并报告置信区间；
弱标签声明：若自造压力标签（如 Midterm1=基线/Final=高压），必须写明是使用者构造；
版本存照：抓取时点 v1.0.0（§6.3）。

附录 W：30 秒决策卡（补充版）

你的情况	行动
零基础想跑通	S3 一条命令下载，`head` 每个 CSV 看格式，先画 EDA 曲线
有 EDA 处理经验	clone 官方代码库，去卷积后提 phasic 特征
做深度多模态	注意个体归一化与 LOSO，谨防 10 人过拟合
做模型评测	用作外部验证/鲁棒性测试，而非主要训练集
写综述/教学	§3.4 WESAD 对照 + §7 第三方使用 + 附录 N 可直接引
找同类数据	库内 wesad(67)/deap(332)/mhealth(222) 同域，逐条对照

附录 X：原始文档缺陷存照

项	现象	处理
论文/数据集标题	两套标题（认知表现 vs 成绩）	并列，标明出处
参与者描述	新闻稿"a set of students" vs 论文"10 subjects"	以论文/数据页为准
准确率	70-80% vs 96%	注明模型/模态
时间线	论文 2022-03 vs 数据 2022-05-26 vs 新闻稿 2022-12	分记三个时点
性别	数据中不标注（去标识），但文档披露 2 女 8 男	引用时说明系文档披露而非数据字段

尾注

本条目为 AI-Ready Wikipedia 数据集条目，生产于 2026-10-03，抓取与核验时点见附录 A。事实陈述以 PhysioNet 官方页（v1.0.0, doi:10.13026/kvkb-aj90）、原始论文（IEEE HI-POCT 2022, doi:10.1109/HI-POCT54491.2022.9744065）与第三方复现（Springer Applied Psychophysiology 2025、MDPI Sensors 2025、arXiv 2606.14960）为源；论文标题口径差异、准确率双口径、参与者描述差异等原始文档特性已在坑点与附录 I 存照。条目与库内 WESAD（rid 67）、DEAP（rid 332）、VitalDB（rid 192）、MHEALTH（rid 222）、PPG-DaLiA（rid 202）等条目互链，构成可穿戴生理信号与压力识别家族的完整检索面。后续维护触发点见附录 K。

维度	内容
本质	真实考场场景可穿戴生理信号数据集（区别于 WESAD 式实验室诱导），用于预测认知表现/成绩
团队	University of Houston 计算医学实验室；通讯/资深作者 Rose T. Faghih（现 NYU Tandon）；3 作者
数据发布	PhysioNet v1.0.0，2022-05-26；DOI 10.13026/kvkb-aj90
原始论文	IEEE HI-POCT 2022，doi:10.1109/HI-POCT54491.2022.9744065（会议 2022-03-10/11，Houston）
规模	10 名大学生（2 女 + 8 男）；每人 3 场考试，共 30 场记录
设备	Empatica E4 腕带（FDA 批准），佩戴非惯用手
信号	EDA / HR / BVP / TEMP / IBI / ACC 六类多模态外周生理信号
考试	3 场：Midterm 1、Midterm 2（各 1.5 h）、Final（3 h），均 9:00 AM（CT/CDT）开始
标签	考试场次 + 成绩（StudentGrades.txt）；无逐刻情绪标注
论文结果	EDA 趋势线 + 9 工程特征 → 成绩高低二分类，最高准确率 70-80%
复现基准	第三方：Transformer 全模态报 96%；HRV 特征选择做外部验证
获取	Open Access 无门槛：ZIP 直下 / wget / `aws s3 sync`（physionet-open 公共桶）
许可	ODC-By-1.0（署名即可，含商用）；82.1 MB
库内互链	WESAD(67)、DEAP(332)、VitalDB(192)、MHEALTH(222)、PPG-DaLiA(202)