由 HCI Games Group的 Mike Schaekermann 撰写
在HCI Games Group，我们喜欢将情感视为游戏体验的核心驱动力。 用来询问玩家如何体验游戏原型以及在游戏中交互中触发哪些情感反应的一种常见技术是询问玩家在玩完游戏后的感受。 为此，通常使用不同的情感维度（如唤醒（即兴奋程度），效价（即好或坏）或支配地位（即玩家在控制中的感觉））来量化主观现象。 可以想象，这些类型的自我报告对于迭代改进游戏原型非常有价值。
但是，事后调查表的一个缺点是某些类型的情绪是短暂的经历，可能随着时间的流逝而消失。 如果目标是实时调查情感反应，这将成为一个问题。 为解决此问题，文献中建议使用生物信号，例如脑活动（例如，通过脑电图或磁脑电图），心率（例如，通过心电图），皮肤电导率，皮肤温度或肌肉活动（通过肌电图） [1]。 HCI Games Group的主要重点是这一领域。
这种生物识别方法的主要挑战在于找到玩家所经历的从生理模式到情感状态的可靠映射。 目的是实时量化某些情感维度，而不会中断游戏流程以采访玩家的情绪状态。 因此，基于飞行中的实时生理测量结果来创建自动方法来估计情感尺寸的幅度是有帮助的。 但是，包含创建此类自动化方法所需的所有信息的数据集成本高昂，难以在线查找并且难以获取自己的信息。
在此博客文章中，我们希望提供免费可用的数据集的可用提要，任何对此领域的研究感兴趣的人都可以使用。 我们在这篇文章中总结的四个数据集是MAHNOB-HCI（Soleymani等人），EMDB（Carvalho等人），DEAP（Koelstra等人）和DECAF（Abadi等人）。 通过向参与者呈现多媒体内容（即图像或视频），并记录参与者对该内容的各种生理反应，来获取所有这些数据集。 为了实现从生理反应到情感反应的映射，所有数据集都包含有关情感维度（如唤醒，化合价和主导地位）的主观自我报告。
