数据集官网：https://ascertain-dataset.github.io/

数据集下载：https://gitee.com/CodeStoreHub/Emotion-Recognition-Dataset

一、数据集简介

• ASCERTAIN 是一个多模态数据库，旨在用商业传感器（off-the-shelf sensors）记录人在观看情感诱发影片片段时的生理反应和面部活动，同时获得其人格特质（大五人格）与自我报告的情感状态。 

• 数据集由 58 位受试者（37 男、21 女，平均年龄约30岁）参与。

• 每位受试者观看 36 个电影片段（每片段平均约 80 秒，标准差约20秒）作为情感诱发刺激。 

• 同步记录的模态包括：

  • 生理信号：3通道心电图（ECG）、皮电反应（GSR）、单通道干式脑电（EEG）。 

  • 面部活动：面部标志点轨迹（EMO）或“Facial landmark trajectories (EMO)”表征面部表情变化。 

• 在观看影片后，受试者会对每个片段进行自我报告：包括唤醒度 (arousal)、愉悦度 (valence)、参与度 (engagement)、喜好 (liking)、熟悉度 (familiarity)。同时，每位受试者填写了大五人格问卷：外向性 (Extraversion)、宜人性 (Agreeableness)、尽责性 (Conscientiousness)、情绪稳定性/神经质 (Emotional Stability/Neuroticism)、开放性 (Openness)。 

二、采集细节与流程

• 受试者：58 人，男女各37/21，平均年龄约30。

• 刺激材料：36 个电影片段，选自此前研究，旨在诱发多样情绪反应。每段平均约80 秒。

• 同步录制：在实验过程中，同时采集 EEG、ECG、GSR、生理质量标注（数据质量）、面部活动。

• 标注与问卷：

  • 每个影片片段后，受试者打分 arousal、valence、engagement、liking、familiarity。

  • 每位受试者预先填写大五人格指标 + 50 个描述性形容词，用以计算其人格特质得分。

• 数据质量评价：对每个模态（ECG, EEG, GSR, EMO 面部活动）都有录制质量的标注。 

• 实验环境：使用商业传感器（非医学级高端设备），例如干式 EEG 传感器 (Neuroskype 或类似)；意味着数据更贴近实际应用场景而非严格实验室条件。

三、数据内容与结构

• 主体维度包括：受试者 × 影片片段 × 多模态信号 × 自评标注。

• 生理信号：

  • ECG：3-通道。

  • GSR：皮电响应。

  • EEG：单通道（或少通道）干式脑电。

• 面部活动：面部关键点轨迹 (landmark trajectories) 表示面部表情/活动。

• 问卷/人格：大五人格 + 50 形容词评估 + 每片段的 arousal/valence 等评分。

• 数据质量标注：每模态、每录制片段都有质量评价，以便后续筛选／剔除低质量信号。

四、应用方向与研究价值

• 情感识别 (Affect recognition)：通过生理信号/面部活动预测 arousal/valence/engagement 等情感维度。

• 人格与情感关系研究：数据集为人格特质 (Big-5) 与情感反应、生理反应之间的关系分析提供基础。论文中指出：“emotion–personality relationship is better captured by non-linear rather than linear statistics.” 

• 多模态融合研究：提供 EEG+ECG+GSR+面部活动数据，为多模态机器学习/深度学习提供实验平台。

• 隐式情感/人格识别：即无需语言文字、自我报告之外，通过生理+面部数据识别个体的情绪和人格。

• 商业/应用传感器可行性：因为使用商业传感器，研究结果更贴近实际可部署的系统。

五、适用范围与局限性

优点

• 多模态同步录制，能支持丰富的融合研究。

• 涉及人格维度 + 情感维度，拓展了情感计算研究的范畴。

 数据集下载：https://gitee.com/CodeStoreHub/Emotion-Recognition-Dataset

数据预览：