NeuroSense：采用低成本稀疏电极设备探索情绪的新型 EEG 数据集

基于摘要分析。研究面向低成本、稀疏电极条件下的 EEG 情绪识别，提出 NeuroSense 数据集，并提供预处理流程与机器学习分类评估，探索便携式设备对情绪状态的表征能力。 数据采集使用便携式四电极 Muse 2，涉及 30 名参与者。摘要描述参与者在神经反馈设置下观看 40 个音乐视频，并通过标准化量表评价唤醒度、效价和支配度，同时评价对视频的喜好程度与熟悉程度。神经反馈的具体机制、刺激呈现安排、信号采集参数及标签生成规则尚未验证。 作者报告，在 NeuroSense 上仅使用四个电极，机器学习模型针对情绪维度模型四个象限的分类平均 Accuracy 为 75%–80%。摘要未明确这一范围对应哪些模型、如何计算平均值，也未说明采用被试内、跨被试或其他数据划分，因此不能据此判断对新被试的泛化能力。预处理步骤、特征表示、模型配置、实验协议、消融及统计信息尚未验证。 作者还报告，对自评标签可靠性与各参与者的分类表现进行了统计分析，并与其他公开 EEG 数据集的结果进行比较，以讨论稀疏电极设置的优势和局限。具体比较数据集、对照方法、协议一致性及统计结论未在摘要中给出，不宜直接推断优于现有数据集或高密度 EEG 系统。 该资源的具体价值在于支持研究有限通道条件下的情绪分类，以及分析主观标签差异与个体分类表现之间的关系。作者声明数据集已公开；数据文件结构、许可、下载方式与预处理实现尚未验证。作者提出的人机交互和心理健康监测用途属于潜在应用，摘要未提供相应场景的独立验证。