鸡尾酒会中选择性注意个体差异预测言语识别数据
该数据集来自 Dryad,对应一项关于鸡尾酒会效应中言语识别个体差异的研究。研究招募 50 名听力正常的年轻听者,测量其听觉与视觉选择性注意任务表现,并考察这些表现与空间分离竞争说话者条件下句子识别的关联

基本信息
资源简介
鸡尾酒会中选择性注意个体差异预测言语识别数据
Data from: Individual differences in selective attention predict speech identification at a cocktail party
该数据集来自 Dryad,对应一项关于鸡尾酒会效应中言语识别个体差异的研究。研究招募 50 名听力正常的年轻听者,测量其听觉与视觉选择性注意任务表现,并考察这些表现与空间分离竞争说话者条件下句子识别的关联。数据可用于分析选择性注意、双耳时间精细结构敏感度、工作记忆广度、年龄及听力阈值等因素对言语理解的影响,适合开展个体差异建模与预测分析(来源 DOI 解析,Creative Commons Zero v1.0 Universal 许可)。
【数据集背景】
源站首次发布:2017。
【数据内容】
源站描述(机器翻译,仅供参考):听力正常的听者在存在竞争说话者时(如在拥挤的餐厅中)表现出相当大的言语理解个体差异。在此,我们表明这种差异的一个来源是在存在干扰项时,将选择性注意集中于目标刺激的能力的个体差异。在50名听力正常的年轻听者中,测量听觉和视觉选择性注意的任务表现与在空间分离的竞争说话者存在下的句子识别相关。选择性注意的各项测量共同解释的方差比例与对声学时间精细结构的双耳敏感度相似。工作记忆广度、年龄和听力阈值与言语理解没有显著关联。这些结果表明,将注意集中于目标的能力降低是……
【主题与分类】
主题标签:visual attention、speech-in-noise identification、auditory attention、Psychoacoustics、Working memory、Auditory perception、temporal fine structure sensitivity、selective attention、individual differences。本站分类:耳及乳突疾病。
【获取与许可】
源站页面:https://datadryad.org/dataset/doi:10.5061/dryad.f96cr
使用许可:Creative Commons Zero v1.0 Universal。
下载信息
注册下载
需要注册 Kaggle 账号并登录后下载,适合需要跟踪下载记录和使用 API 的用户。
暂未开放公开下载
无需注册即可直接获取公开样本或文档,适合快速预览和评估数据集质量。
免登录有偿下载
公开数据集受托下载与技术交付服务。
提供高速下载与技术交付服务(收技术服务费,非数据销售)
暂未开放当前数据集主要来源为 Kaggle 公开托管,完整影像包建议通过原始链接或 Kaggle API 获取。
使用方式
数据集获取
源站:https://doi.org/10.5061/dryad.f96cr
标准获取流程:
- 访问源站链接,注册/登录账号;
- 进入数据集详情页,按页面指引申请权限或直接下载;
- 部分平台提供 SDK,例如:
- OpenDataLab:
pip install openxlab后openxlab.dataset.get(...) - ModelScope:
pip install modelscope后modelscope download - 天池: 登录后页面提供直链下载
以源站「数据下载/使用文档」页面为准。
- OpenDataLab:
数据集大小约 98.4 KB。
数据说明
听力正常的听者在存在竞争说话者时(如在拥挤的餐厅中)表现出相当大的言语理解个体差异。本研究表明,这种差异的一个来源是个体在干扰刺激存在时将选择性注意集中于目标刺激的能力差异。在50名听力正常的年轻听者中,测量听觉和视觉选择性注意的任务表现与在空间分离的竞争说话者存在时的句子识别能力相关。选择性注意的各项测量指标共同解释的方差比例与双耳对声学时间精细结构的敏感性相似。工作记忆广度、年龄和听力阈值与言语理解无显著关联。这些结果表明,将注意集中于目标的能力降低是部分听力正常敏感度的听者在背景噪声环境中交流困难的原因之一。
数据加载示例(图像类)
from PIL import Image
import glob, os
files = (glob.glob(os.path.join(path, "**", "*.png"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.jpg"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.tif"), recursive=True))
print("图像文件数:", len(files))
img = Image.open(files[0]); print("尺寸/模式:", img.size, img.mode)
# torchvision Dataset 方式:
# from torchvision import datasets
# ds = datasets.ImageFolder(path) # 要求 子目录=类别
目录组织与标注格式以源站说明和下载后实际文件为准。
数据缺失?
依托陕西、四川两大基地,我们与超过十家三甲医院建立直接合作关系,覆盖合规授权、采集治理、专业标注、数据交付的全流程,为AI医疗团队提供即拿即用的高质量临床数据。
⚡️ 需要数据支持或标注服务?立即联系我们获取专业方案。




