Brain Invaders Adaptive versus Non-Adaptive P300 Brain Computer Interface dataset

本数据集名为‘Brain Invaders Adaptive versus Non-Adaptive P300 Brain Computer Interface dataset’，由国立格勒诺布尔理工学院创建。数据集包含24名参与者的脑电图（EEG）记录，用于视觉P300脑机接口实验，旨在比较基于P300的脑机接口在PC上的使用，是否采用自适应校准。数据集创建于2013年，通过16个电极记录EEG数据。该数据集适用于研究脑机接口的性能，特别是在自适应校准技术方面，以提高脑机交互的效率和准确性。

This dataset, titled *Brain Invaders Adaptive versus Non-Adaptive P300 Brain-Computer Interface Dataset*, was developed by the National Polytechnic Institute of Grenoble. It contains electroencephalogram (EEG) recordings from 24 participants, collected for visual P300-based brain-computer interface (BCI) experiments intended to compare the performance of P300 BCIs on personal computers (PCs) with and without adaptive calibration. Developed in 2013, the dataset's EEG data was recorded using 16 electrodes. This dataset is applicable to research on BCI performance, especially adaptive calibration technologies, to improve the efficiency and accuracy of brain-computer interaction.

搜集汇总

数据集介绍

构建方式

该数据集源于一项旨在比较自适应与非自适应校准策略对P300脑机接口性能影响的实验。实验招募了24名健康志愿者，其中7人参与了纵向多会话研究。数据采集使用16个湿式银/氯化银电极，按照国际10-20系统放置，采样频率为512 Hz，通过g.USBamp放大器与OpenVibe软件记录。实验采用Brain Invaders P300范式，每个会话包含自适应与非自适应两种运行模式，顺序随机化。在非自适应模式下，训练阶段数据用于校准基于黎曼几何的最小距离到均值分类器；自适应模式则使用通用类别均值初始化分类器，并持续适应该被试的在线数据。数据以mat和csv格式存储，每个被试的压缩包内按会话组织，包含运行文件与记录实验条件的meta.yml元文件。

特点

该数据集的核心特点在于其双模态实验设计，允许在同一被试内直接对比传统校准与无校准自适应脑机接口的性能差异。数据包含横断面（24人单次会话）与纵向（7人多日多次会话）两个维度，为评估自适应算法的泛化能力与长期稳定性提供了独特资源。实验采用精确的USB标签同步事件与脑电信号，确保不同条件下延迟一致性，支持可靠的诱发电位比较。此外，数据集提供了不平衡类别下的平衡准确率指标，并附有完整的元数据描述实验条件，便于研究者进行精确的假设检验与重分析。

使用方法

研究者可通过Zenodo存储库获取该数据集，并利用官方提供的Python示例代码进行快速上手。该示例基于MNE和MOABB框架，演示了如何下载数据、使用xDAWN算法对1秒长的目标与非目标诱发电位时段进行分类。数据以mat和csv格式提供，兼容多种分析环境。建议用户结合meta.yml文件中的实验条件信息，分别分析自适应与非自适应模式下的脑电特征。该数据集已成功应用于公共时空模式等诱发电位分析方法的发展，适合用于验证新型分类算法、评估自适应策略以及开展脑机接口可重复性研究。

背景与挑战

背景概述

脑机接口（BCI）技术作为神经工程领域的前沿方向，致力于建立大脑与外部设备之间的直接通信通道。其中，基于P300事件相关电位的视觉脑机接口因其无需运动输出的特性，在辅助通信与娱乐交互中展现出独特价值。2013年，法国格勒诺布尔-阿尔卑斯大学GIPSA-lab实验室的E. Vaineau、A. Barachant等研究人员创建了Brain Invaders Adaptive versus Non-Adaptive P300 Brain Computer Interface dataset。该数据集记录了24名受试者在视觉P300脑机接口实验中的脑电图（EEG）数据，核心研究问题在于对比基于黎曼几何的自适应校准与经典非自适应校准范式下的系统性能。数据集采用16通道湿电极按国际10-20系统布置，采样频率为512 Hz，实验设计包含横向与纵向研究，其中7名受试者参与了多天多次的纵向实验。该数据集的公开（DOI: 10.5281/zenodo.1494163）为脑机接口领域提供了宝贵的基准测试资源，推动了自适应算法与无校准BCI系统的研究发展，其配套的Python工具包（py.BI.EEG.2013-GIPSA）进一步降低了研究门槛，促进了可重复性科学实践。

当前挑战

该数据集所解决的领域问题在于P300脑机接口系统中自适应校准与经典校准模式的性能对比挑战。传统BCI系统依赖冗长的校准过程，限制了其实用性与用户体验，而自适应方法虽有望实现即插即用，但在在线分类稳定性与跨受试者泛化能力方面面临考验。在构建过程中，研究者需应对多方面的技术挑战：首先，实验设计需确保两种模式在标签延迟、刺激呈现等环节的一致性，以消除系统偏差对ERP比较的影响；其次，数据采集需在严格控制的环境中进行，包括电磁屏蔽、受试者筛选（排除神经病史、药物影响等）以及16电极的精确布置；此外，非平衡类别（目标与非目标闪烁比例为1:5）的分类评估要求采用平衡准确率等稳健指标，而非传统精度度量。纵向实验中，7名受试者需完成跨天多次的重复实验，这对实验安排与受试者依从性提出了管理挑战。最终，数据集以mat与csv格式公开，并附有元数据文件，但跨格式兼容性与大规模数据存储的效率仍是后续应用中需持续关注的工程问题。

常用场景

经典使用场景

在脑机接口研究领域，该数据集主要用于评估和比较基于P300诱发电位的自适应与非自适应脑机接口系统的性能。实验通过经典的视觉P300范式——Brain Invaders游戏，采集了24名受试者在16通道脑电图下的多轮数据。研究者可利用该数据集复现并对比传统训练-测试模式与基于黎曼几何的无校准自适应模式在分类准确率、稳定性和用户适应性上的差异。其经典使用场景集中于验证自适应算法在减少校准时间、提升跨会话泛化能力方面的优势，为开发更便捷的P300脑机接口系统提供了标准化测试平台。

衍生相关工作

该数据集催生了一系列经典衍生研究，包括基于黎曼几何的通用分类框架（如Riemannian Minimum Distance to Mean）的优化与扩展，以及xDAWN算法在时空滤波中的改进版本——共时空模式方法。此外，数据集被整合入MOABB基准测试框架，成为评估各类脑机接口算法（如协方差矩阵对齐、迁移学习）的标准数据源。后续工作还利用该数据探索了跨被试知识迁移、动态停止策略以及标签延迟校正技术，显著丰富了P300脑机接口的理论体系与工具链。

数据集最近研究

最新研究方向

基于黎曼几何的自适应校准范式在P300脑机接口中的前沿探索，正成为该领域突破传统校准瓶颈的关键路径。该数据集通过对比自适应与非自适应条件下的脑电信号分类性能，揭示了无需个体训练即可实现高效脑机交互的潜力，其核心在于利用黎曼几何的流形学习框架动态调整分类器参数。这一方向与当前脑机接口领域追求零校准、跨个体泛化的热点趋势高度契合，尤其推动着可穿戴式脑机设备在游戏娱乐、神经康复等场景的实用化进程。数据集的公开不仅为验证自适应算法提供了标准化基准，更通过结合xDAWN和共时空模式等先进方法，深化了对P300电位时空动态特性的理解，为构建真正即插即用的下一代脑机接口奠定了方法论基础。

相关研究论文

• Brain Invaders Adaptive versus Non-Adaptive P300 Brain-Computer Interface dataset

  国立格勒诺布尔理工学院 · 2019年