NeuroSense：使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。该研究面向情感计算中的 EEG 情绪识别，提出 NeuroSense 数据集，核心贡献是利用低成本四电极设备采集 EEG，并配套情绪自评、预处理流程及机器学习评估，探索稀疏电极配置的应用潜力。 数据采集使用便携式 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，并使用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爱程度与熟悉程度。神经反馈的具体实施方式、视频呈现流程、量表名称及标签离散化规则尚未验证。 方法方面，作者构建了预处理流程，并使用机器学习模型进行情绪识别；摘要未提供具体算法、特征构造或预处理参数。作者报告，在仅使用四电极 EEG 的条件下，针对维度情绪模型四个象限的识别，模型平均 Accuracy 为 75%–80%。摘要未明确该范围对应哪些模型或汇总方式，也未说明采用被试内还是跨被试评估、训练测试划分及类别分布，因此不能据此判断跨被试泛化能力或与其他协议下结果直接比较。 作者还报告对自评标签可靠性及各参与者分类表现进行了统计分析，并与其他公开 EEG 数据集的结果比较，以讨论稀疏电极配置的优势与局限；具体对照数据集、协议一致性、统计结果及消融信息尚未验证。复现时应重点核对数据划分单位、标签构建、预处理是否在训练划分内拟合，以及参与者间表现差异。 摘要称 NeuroSense 数据集已公开，但当前材料未提供可核验的数据获取入口、文件结构、许可或配套代码。人机交互和心理健康监测是作者提出的应用方向，不能视为已完成的实际部署或临床验证。