一、SEED三分类数据
1.实验刺激
20个被试，15个电影片段（包含三种情绪），每个片段四分钟
2.被试（subjects）
15名被试（7男8女），每个被试进行三次实验，每次实验相隔一周
3.实验方案
每次实验有15个试验（电影片段）
试验包含15秒的提示，4分钟观看，10秒的结果反馈
二、SEED-IV四分类数据
1.情绪刺激（Emotion Stimuli）
在实验之前，我们选择了168个电影片段作为四种情绪（快乐、悲伤、恐惧和中性）的素材库。44名参与者（22名女性，均为大学生）。被招募来评估他们在观看电影剪辑时的情绪，用四种离散情绪（快乐、悲伤、中性和恐惧）的关键词，并从两个维度对10个点（从-5到5）进行评分：价格和唤醒。价码从悲伤到快乐不等。唤醒范围从平静到兴奋。不同电影剪辑的平均分级分布如图3-6所示。如图所示，这些条件在价格和唤醒等级方面存在显著差异，反映了在实验室环境中目标情绪的成功激发。最后，在参与者之间获得最高匹配的材料池。这些选定片段的刺激通常导致四种目标情绪的激发。每个电影剪辑的持续时间约为两分钟。
2.被试（subject）
15名被试（在不同的时间做3组实验），三组实验使用的刺激完全不同，总共有45实验 。每一个被试观看24个电影片段(每种情绪有6个片段)
3.实验方案
三、数据处理情况
1.特征提取
在脑电数据预处理中，原始脑电信号以200hz的采样率下采样。为了滤除噪声和伪影，在0.5hz和70hz之间用带通滤波器对脑电信号进行处理。
我们从预处理的脑电信号中提取了6种有效的脑电特征和电极组合。这些特征包括功率谱密度（PSD）、微分熵（DE）、微分非对称性（DASM）、有理非对称性（RASM）、非对称性（ASM）和微分尾性（DCAU）特征。我们使用具有1-s长非重叠汉宁窗的短时傅里叶变换（STFT）计算了5个频带（δ：1-3hz，θ：4-7hz，α：8-13hz，β：14-30hz，γ：31-50hz）中的传统PSD特征。
2.脑电特征的特征平滑
我们引入线性动态系统（LDS）算法来过滤与情绪识别无关的成分；使用传统的移动平均方法（movingAve）进行特征平滑比较。
3，脑电信号的降维
提取的特征可能含有一些与情感识别不相关的成分，导致分类器的性能下降。脑电图在记录时通常会受到噪声和伪影的干扰。此外，高特征维数可能导致“维数诅咒”问题，因此，为了降低计算复杂度，提高计算模型的鲁棒性，通常需要进行特征选择和特征约简。
