多样驾驶场景下心理、生理与行为反应的多模态数据集

基于摘要分析。该研究关注不同驾驶情境如何影响驾驶者情绪及行为，提出多模态数据集 EmoRoad，联合采集情绪、生理与行为信息，为情绪识别、行为建模及驾驶情境影响研究提供数据资源。其主要贡献是数据集构建，而非提出新的 EEG 解码算法。 场景设计包含三个维度，每个维度设两种条件：道路场景为城市／郊区，交通密度为拥堵／畅通，天气为晴天／雨天，组合形成八种代表性驾驶场景。作者报告，数据来自50名参与者，其中女性30名、男性20名，年龄为18–67岁；采集内容包括第一视角驾驶视频、面部视频、EEG、眼动、方向盘触摸数据、车辆动力学数据及情绪标注。摘要未明确真实道路或模拟驾驶条件，也未交代每名参与者的场景覆盖情况。 对 EEG 情感识别而言，该资源的阅读价值在于可联合考察场景、行为及其他生理信号，而不只分析 EEG 与情绪标签的关联。不过，作者在摘要中仅提出其在智能交通与情感计算中的潜在用途，未提供识别性能或多模态增益结果，不能据此认定其已验证 BCI 有效性。 进一步使用前，需核对 EEG 设备与通道配置、采样率、各模态时间同步、伪迹处理、情绪标注方式及标签粒度，以及数据获取条件。被试内、跨被试或跨场景划分、基线结果、实验协议、消融及统计信息尚未验证。