EEG-Datasets|脑电图数据集|认知科学数据集

这是一个包含所有公开EEG数据集的列表，涵盖了多种EEG资源，包括运动想象、情绪识别等多个领域。

原始信息汇总

数据集概述

1. 运动想象（Motor-Imagery）

• Left/Right Hand MI
  • 包含52名受试者（其中38名有效）的数据，包括生理和心理问卷结果、EMG数据集、3D EEG电极位置及非任务相关状态的EEG。
• Motor Movement/Imagery Dataset
  • 包含109名志愿者，64个电极，2个基线任务（睁眼和闭眼），以及运动和想象运动（双手或双脚）的数据。
• Grasp and Lift EEG Challenge
  • 包含12名受试者，32通道@500Hz，记录6种抓取和提升事件的EEG。
• The largest SCP data of Motor-Imagery
  • 包含13名参与者，75次记录，共60,000次运动想象，涉及4种BCI交互范式。
• BCI Competition IV-1
  • 包含7名受试者，64个EEG通道，1000Hz采样率，记录左右手、脚运动及空闲状态的数据。
• BCI Competition IV-2a
  • 包含9名受试者，22个电极，每个受试者288次想象运动试验。
• BCI Competition IV-2b
  • 包含9名受试者，3个电极，记录左右手想象运动的数据，后三个会话包含在线反馈。
• High-Gamma Dataset
  • 包含14名健康受试者，128个电极，约1000次四秒运动试验，分为13轮。
• Left/Right Hand 1D/2D movements
  • 包含1名受试者，19个电极，记录各种1D和2D手部运动的数据。
• Imagination of Right-hand Thumb Movement
  • 包含1名受试者，8个电极，记录想象右手拇指运动和休息状态的数据。
• Mental-Imagery Dataset
  • 包含13名参与者，超过60,000次运动想象，使用38通道医疗级EEG系统记录。

2. 情绪识别（Emotion-Recognition）

• DEAP
  • 包含32名受试者，观看1分钟音乐视频片段，并对其进行情绪评分。
• Enterface06
  • 包含16名受试者，使用64通道EEG、fNIRS和面部视频记录情绪反应。
• Imagined Emotion
  • 包含31名受试者，通过听录音想象情绪场景或回忆情绪体验。
• NeuroMarketing
  • 包含25名受试者，14个电极，记录对电子商务产品的喜好/不喜好反应。
• SEED
  • 包含15名受试者，观看引发正/负/中性情绪的视频片段，并记录62通道EEG。
• SEED-IV
  • 包含15名受试者，观看引发快乐/悲伤/中性/恐惧情绪的视频片段，并记录62通道EEG（含眼动追踪）。
• SEED-VIG
  • 包含18名受试者，在模拟驾驶任务中记录警觉性标签和EEG数据，含18个电极和眼动追踪。
• HCI-Tagging
  • 包含受试者观看视频片段并标注情绪状态，同时记录音频、视频、注视数据和生理数据。
• Regulation of Arousal
  • 包含18名受试者，在在线飞行模拟器研究中使用三种不同的音频反馈。

3. 错误相关电位（ErrP）

• BCI-NER Challenge
  • 包含26名受试者，56个EEG通道，用于P300拼写任务，记录正确或错误字母的反应。
• Monitoring ErrP in a target selection task
  • 包含6名受试者，64个EEG电极，记录光标移动到目标方块时的反应。
• ErrPs during continuous feedback
  • 包含10名受试者，28个EEG电极，通过玩视频游戏研究执行和结果错误。
• HCI-Tagging
  • 包含受试者观看图像或电影片段，并根据屏幕底部的标签进行反应，同时记录音频、视频、注视数据和生理数据。

4. 视觉诱发电位（VEPs）

• c-VEP BCI
  • 包含9名受试者，32个EEG通道，用于VEP BCI拼写器任务，记录与拼写器相关的反应。
• c-VEP BCI with dry electrodes
  • 包含9名受试者，15个干EEG通道，用于VEP BCI拼写器任务，记录与拼写器相关的反应。
• SSVEP - Visual Search/Discrimination and Handshake
  • 包含30名受试者，14个电极，记录三种不同测试的EEG数据。
• Synchronized Brainwave Dataset
  • 包含15名受试者，观看两种不同的视频刺激，包括眨眼、放松、心理数学、数颜色方块和观看超级碗广告。

5. 事件相关电位（ERPs）

• Pattern Visual Evoked Potentials
  • 包含2名受试者，记录棋盘光模式（奇异范式）在O1位置的数据。
• Face vs. House Discrimination
  • 包含7名癫痫受试者，展示50张灰度人脸和房屋图片。
• Target Versus Non-Target
  • 包含多个受试者，参与视觉P300脑机接口使用奇异范式的不同版本。
• Impedance Data
  • 包含12名受试者，用于P300任务（奇异范式），记录不同电极阻抗的EEG数据。
• Sustained-Attention Driving
  • 包含27名受试者，在VR设置中进行持续注意力驾驶任务，记录事件相关电位。
• Dryad-Speech
  • 包含多个实验，研究自然语音理解，包括音频、视觉刺激和想象语音。

6. 慢皮质电位（SCPs）

• Mental-Imagery Dataset
  • 包含13名参与者，超过60,000次运动想象，使用38通道医疗级EEG系统记录。

7. 静息状态（Resting State）

• Resting State EEG Data
  • 包含22名受试者，72个EEG通道，记录8分钟静息任务，包括4分钟睁眼和4分钟闭眼。
• EID-M, EID-S
  • 包含8名受试者，在静息状态（闭眼）下记录14个电极的数据，用于开发个人识别系统。
• SPIS Resting State Dataset
  • 包含10名受试者，64个通道，记录2.5分钟每种状态（睁眼和闭眼）的数据。

8. 音乐与EEG

• Music Imagery Information Retrieval
  • 包含10名受试者，64个EEG通道，用于音乐想象任务，记录12首不同曲目的数据。

9. 眼动/眨眼

• Involuntary Eye Movements during Face Perception
  • 包含26个电极，记录受试者在观看快乐/悲伤/愤怒面孔时的眼动和瞳孔直径。
• Voluntary-Involuntary Eye-Blinks
  • 包含20名受试者，记录自愿和非自愿眼眨的数据，使用14个电极。
• EEG-eye state
  • 包含一个连续的EEG记录，标记为眼睛开闭状态。
• EEG-IO
  • 包含20名受试者，记录自愿单眼眨眼和EEG数据，使用OpenBCI设备和BIOPAC Cap100C。
• EEG-VV, EEG-VR
  • 包含12名受试者，记录非自愿眼眨和EEG数据，受试者进行观看视频和阅读文章的活动。
• Eye State Prediction
  • 包含一个117秒的记录，标记为眼睛开闭状态，使用EPOC头

AI搜集汇总

数据集介绍

构建方式

EEG-Datasets数据集的构建基于对多个公开EEG数据集的系统性收集与整理。这些数据集涵盖了从运动想象、情绪识别到视觉诱发电位等多个领域。每个数据集的采集过程均遵循严格的实验设计，包括受试者的招募、电极的布置、实验任务的设定以及数据的记录与标注。例如，运动想象数据集通过记录受试者在想象特定肢体运动时的脑电信号，而情绪识别数据集则通过展示情绪诱发视频并记录受试者的脑电反应来构建。这些数据集的多样性和详细记录为研究者提供了丰富的资源，以探索脑电信号在不同认知任务中的表现。

特点

EEG-Datasets数据集的特点在于其广泛的应用领域和高质量的数据记录。首先，该数据集包含了多种类型的EEG数据，如运动想象、情绪识别、视觉诱发电位等，为跨领域的研究提供了可能。其次，每个数据集都详细记录了实验的设置、受试者的信息以及数据的处理方法，确保了数据的可重复性和科学性。此外，数据集中的样本量较大，且涵盖了不同年龄、性别和健康状况的受试者，增强了数据集的普适性和代表性。这些特点使得EEG-Datasets成为脑电信号研究领域的重要资源。

使用方法

EEG-Datasets数据集的使用方法多样，适用于从基础研究到应用开发的多个层面。研究者可以通过下载数据集中的原始数据，进行自定义的预处理和分析，以探索特定脑电信号模式与认知任务之间的关系。例如，可以使用机器学习算法对运动想象数据进行分类，或利用深度学习模型对情绪识别数据进行特征提取。此外，数据集的详细文档和实验记录也为研究者提供了参考，帮助他们理解数据的采集过程和潜在的应用场景。通过这些方法，EEG-Datasets数据集能够支持广泛的脑电信号研究，推动相关领域的发展。

背景与挑战

背景概述

EEG-Datasets数据集是一个汇集了多个公开脑电图（EEG）数据集的资源库，旨在为脑机接口（BCI）和神经科学研究提供丰富的数据支持。该数据集由多个研究机构和研究人员共同维护，涵盖了从运动想象、情绪识别到视觉诱发电位等多个研究领域。其核心研究问题包括脑电信号的分类、模式识别以及脑机接口系统的开发与优化。自创建以来，EEG-Datasets已成为相关领域研究的重要资源，推动了脑电信号处理和脑机接口技术的发展。

当前挑战

EEG-Datasets数据集在构建过程中面临多重挑战。首先，脑电信号的个体差异性大，导致数据集的通用性和可重复性受到限制。其次，数据采集过程中的噪声和伪迹问题，如眼动和肌肉活动，对信号质量产生显著影响。此外，不同数据集的采样率、电极配置和实验范式的差异，增加了数据整合和分析的复杂性。最后，数据集的更新和维护需要持续的投入和跨机构合作，以确保数据的时效性和完整性。

常用场景

经典使用场景

在脑机接口（BCI）领域，EEG-Datasets数据集被广泛用于研究运动想象、情绪识别、错误相关电位（ErrP）、视觉诱发电位（VEPs）和事件相关电位（ERPs）等经典场景。例如，Motor-Imagery数据集中的Left/Right Hand MI和Motor Movement/Imagery Dataset常用于开发和验证基于运动想象的BCI系统，这些系统通过分析用户在想象特定运动时的脑电信号来实现控制。

解决学术问题

EEG-Datasets数据集解决了脑电信号分析中的多个关键学术问题，如运动想象分类、情绪状态识别、错误检测和视觉刺激响应分析。通过提供多样化的实验数据，该数据集支持研究人员开发和验证新的信号处理算法和机器学习模型，从而提高BCI系统的准确性和鲁棒性。此外，该数据集还促进了跨学科研究，如神经科学、心理学和计算机科学的融合。

衍生相关工作

EEG-Datasets数据集催生了大量相关研究工作，推动了脑机接口技术的发展。例如，基于Motor-Imagery数据集的研究成果已被应用于开发多种BCI系统，如智能家居控制和虚拟现实交互。情绪识别数据集的研究则促进了情感计算领域的进步，相关技术已应用于市场营销和用户体验设计。此外，错误相关电位数据集的研究为实时错误检测和反馈系统的设计提供了理论基础。