1、WESAD数据集
下载链接：WESAD: Multimodal Dataset for Wearable Stress and Affect Detection | Ubiquitous Computing
（1）基本介绍
WESAD是一个用于可穿戴压力和影响检测的新的公开数据集。该多模式数据集以实验室研究期间15名受试者的生理和运动数据为特征，这些数据来自手腕和胸部佩戴的设备。包括以下传感器模式：血容量脉冲、心电图、皮肤电活动、肌电图、呼吸、体温和三轴加速度。此外，该数据集通过包含三种不同的情感状态（中性、压力和娱乐），弥合了之前关于压力和情绪的实验室研究之间的差距。
数据格式：
- “subject”:SX，受试者ID
-“signal”:包括两个领域的所有原始数据:
-- “chest”：RespiBAN数据(所有模式:ACC、ECG、EDA、EMG、RESP、TEMP);
-- “wrist”：Empatica E4数据(所有模式:ACC、BVP、EDA、TEMP)
-“label”:各自研究方案条件的ID，采样频率为700 Hz。提供以下id: 0=未定义/短暂，1=基线（baseline），2=压力（stress），3=娱乐（amusement），4 =冥想（mediation），5/6/7 =在此数据集中应忽略
-
ACC：加速度计（Accelerometer），用于测量物体的加速度，常用于活动监测和姿势识别等应用。
-
ECG：心电图（Electrocardiogram），用于记录心脏电活动的图形表示，常用于诊断心脏疾病和监测心脏健康。
-
EDA：皮肤电活动（Electrodermal Activity），又称为皮电反应（Electrodermal Response），用于测量皮肤的电导率变化，反映交感神经系统的活动水平，常用于情感识别和压力监测等。
-
EMG：肌电图（Electromyogram），用于记录肌肉电活动的图形表示，常用于研究肌肉功能和运动控制等。
-
RESP：呼吸信号（Respiration），用于记录呼吸活动的信号，通常通过胸部或腹部运动来测量呼吸频率和呼吸深度等。
-
TEMP：体温（Temperature），用于记录身体表面或环境温度的信号，常用于监测体温变化和环境温度。
-
BVP：血容量脉动（Blood Volume Pulse），用于记录血液容量变化引起的皮肤血流量变化的信号，通常用于心率和心血管活动的监测。
（2）数据读取
- 引入相关包
import os
import pickle
import numpy as np
import matplotlib.pyplot as plt
# import neurokit as nk
import seaborn as sns
import pandas as pd- 数据读取类
class read_data_of_one_subject:
"""Read data from WESAD dataset"""
def __init__(self, path, subject):
self.keys = ['label', 'subject', 'signal']
self.signal_keys = ['wrist', 'chest']
self.chest_sensor_keys = ['ACC', 'ECG', 'EDA', 'EMG', 'Resp', 'Temp']
self.wrist_sensor_keys = ['ACC', 'BVP', 'EDA', 'TEMP']
os.chdir(path)
os.chdir(subject)
with open(subject + '.pkl', 'rb') as file:
data = pickle.load(file, encoding='latin1')
self.data = data
def get_labels(self):
return self.data[self.keys[0]]
def get_wrist_data(self):
""""""
#label = self.data[self.keys[0]]
assert subject == self.data[self.keys[1]]
signal = self.data[self.keys[2]]
wrist_data = signal[self.signal_keys[0]]
#wrist_ACC = wrist_data[self.wrist_sensor_keys[0]]
#wrist_ECG = wrist_data[self.wrist_sensor_keys[1]]
return wrist_data
def get_chest_data(self):
""""""
signal = self.data[self.keys[2]]
chest_data = signal[self.signal_keys[1]]
return chest_data- 添加路径并进行读取
data_set_path = "your_path/data/WESAD/"
subject = 'S3'
obj_data = {}
obj_data[subject] = read_data_of_one_subject(data_set_path, subject)
chest_data_dict = obj_data[subject].get_chest_data()
chest_dict_length = {key: len(value) for key, value in chest_data_dict.items()}
print(chest_dict_length)这里用胸部数据进行测试，得到的数据长度为：
接下来进行一个ECG数据的可视化
plt.plot(chest_data_dict['ECG'][0:5000])
plt.show()
- 读取标签，并提取出baseline的片段
# Get labels
labels = obj_data[subject].get_labels()
baseline = np.asarray([idx for idx,val in enumerate(labels) if val == 1])
print(baseline)
print("Baseline:", chest_data_dict['ECG'][baseline].shape)同理要读取压力片段只需要替换val==2即可
2、DREAMER数据集
下载地址：ASCERTAIN dataset
注意这个数据集需要申请才能下载
（1）基本介绍
包含ECG数据和EEG数据，其中ECG数据为2导联，EEG数据为14导联。
记录了23名参与者的信号，以及参与者在每次刺激后对其情感状态的自我评估，包括效价（valence）、唤醒（arousal）和支配（dominance）。
在一个实验中，23名志愿者观看了由Gabert-Quillen等人[1]挑选和评估的18个电影片段，在这个实验中，dream数据库包含了参与者的评分和生理记录。脑电图和心电信号被记录下来，每个参与者用五分制报告他们的感觉唤醒、效价和支配性来评估他们的情绪。
数据格式：
储存在DREAMER.mat文件中
DREAMER =
struct with fields:
Data: {1×23 cell}
EEG_SamplingRate: 128
ECG_SamplingRate: 256
EEG_Electrodes: {'AF3' 'F7' 'F3' 'FC5' 'T7' 'P7' 'O1' 'O2' 'P8' 'T8' 'FC6' 'F4' 'F8' 'AF4'}
noOfSubjects: 23
noOfVideoSequences: 18
Disclaimer: 'While every care has been taken…'
Provider: 'University of the West of Scotland'
Version: '1.0.2'
Acknowledgement: 'The authors would like to thank…'
具体数据结构：
Age: 'X' --年龄
Gender: 'X' ('male' or 'female') --性别
EEG: [1×1 struct] --脑电图数据
ECG: [1×1 struct] --心电图数据
ScoreValence: [18×1 double] -- 效价评分
ScoreArousal: [18×1 double] -- 唤醒评分
ScoreDominance: [18×1 double] -- 支配评分
（2）数据读取
- ECG的stimuli数据
i =1
data_stimuli_ecg = data['DREAMER']['Data'][0][0][0][i-1][0]["ECG"][0][0]["stimuli"][0]
data_stimuli_ecg其中i代表受试者，总共23个。得到的数据格式如下：
是18*1的数据，包含18个电影片段的刺激。ECG可视化效果
- EEG的stimuli数据
i =1
data_stimuli_ecg = data['DREAMER']['Data'][0][0][0][i-1][0]["ECG"][0][0]["stimuli"][0]
data_stimuli_ecg得到的18个片段的刺激EEG可视化效果：
- 整体数据读取并保存
import numpy as np
import scipy.io as sio
data_loader = sio.loadmat('your_path/data/DREAMER.mat')
data_stimuli_ecg = []
for i in range(1, 24):
saldir1 = './save/stimuli/'
data_stimuli = data_loader['DREAMER']['Data'][0][0][0][i - 1][0]["ECG"][0][0]["stimuli"][0]
for j in range(1, 19):
data = data_stimuli[j - 1][0]
data_stimuli_ecg.append(data)
np.array(data_stimuli_ecg)
np.save(saldir1 + 'data_stimuli_ecg.npy', data_stimuli_ecg)
data_baseline_ecg = []
for i in range(1, 24):
saldir2 = './save/baseline/'
data_baseline = data_loader['DREAMER']['Data'][0][0][0][i - 1][0]["ECG"][0][0]["baseline"][0]
for j in range(1, 19):
data = data_baseline[j - 1][0]
data_baseline_ecg.append(data)
np.array(data_baseline_ecg)
np.save(saldir2 + 'data_baseline_ecg.npy', data_baseline_ecg)
label = []
for i in range(1, 24):
saldir3 = './save/label/'
data_label = data_loader['DREAMER']['Data'][0][0][0][i - 1][0]["ScoreArousal"][0]
label.append(data_label)
np.save(saldir3 + 'label.npy', label)
都看到了这里了，给个小心心❤呗~
