基于手写想象的非侵入式脑电图分类

本数据集包含了五个参与者想象手写26个英文字母时记录的脑电图信号。参与者被要求想象手写每个字母，并且想象每个字母的笔画顺序遵循标准的手写惯例。数据集共包含7800个样本，每个参与者每个字母完成了300个样本。每个样本包含24个电极和801个时间点的数据。数据集可用于研究基于手写想象的非侵入式脑机接口，旨在将脑活动转换为文本输出，为未来研究建立基准。

This dataset contains electroencephalogram (EEG) signals recorded from five participants during their imagination of handwriting the 26 English letters. Participants were required to imagine writing each letter following standard handwriting stroke order conventions. The dataset consists of 7800 samples in total, with 300 samples for each participant per letter. Each sample includes data from 24 electrodes and covers 801 time points. This dataset can be employed to research non-invasive brain-computer interfaces based on handwriting motor imagery, with the goal of translating brain activity into text output and establishing a benchmark for future studies.

搜集汇总

数据集介绍

构建方式

在脑机接口研究领域，手写想象范式为脑信号解码提供了新的可能性。该数据集通过非侵入式脑电图记录技术构建，五位健康参与者佩戴24导联EEG设备，在屏幕提示下对26个英文字母进行手写想象任务。实验采用分时段采集策略，每位参与者完成10次独立实验，每次包含780次字母想象试次，通过标准化笔画顺序指导确保想象轨迹的一致性，最终形成包含7800个样本的高维度时空数据集。

特点

该数据集展现出独特的时空特性，其EEG信号包含24个通道的801个时间点，采样频率达250Hz。通过相似性矩阵分析发现，相同字母的脑电模式具有显著相关性，不同字母间则呈现明显差异，这种字母特异性模式为分类任务提供了理论基础。数据集同时体现了参与者间的个体差异性，部分受试者展现出更强的字母特异性模式，这为研究个体神经信号差异提供了宝贵资源。

使用方法

在应用层面，该数据集适用于深度学习模型的训练与验证。研究者可采用十折交叉验证方法，将每个字母的300个样本均分为10份进行模型训练与测试。数据集支持多种卷积神经网络架构的应用，包括DeepConvNet、EEGNet等经典模型，通过时空卷积操作提取脑电信号中的关键特征。数据预处理环节包含带通滤波、独立成分分析去噪和Z-score标准化等步骤，确保输入数据的质量与稳定性。

背景与挑战

背景概述

手写想象脑机接口作为脑-文本转换的前沿范式，由香港浸会大学非线性研究中心与香港大学复杂神经信号解码实验室于近年联合构建。该数据集聚焦非侵入式脑电信号解码，旨在探索通过头皮记录神经活动直接转换为英文字母的可行性。研究团队通过引导五名受试者想象书写26个英文字母，采集了7800个样本的时空动态数据，为运动想象范式下的脑信号解码建立了新型实验基准。这一工作首次系统验证了非侵入式脑电在手写想象任务中的模式特异性，为开发自然交互的通信辅助设备提供了理论支撑。

当前挑战

当前研究面临双重挑战：在领域问题层面，非侵入式脑电信号固有的低信噪比与个体差异性严重制约分类精度，尽管卷积神经网络模型达到了约20%的准确率，但距实用脑文本接口仍有差距；在数据构建过程中，受试者多次实验间的状态波动导致信号稳定性不足，而有限样本量（每字母300 trials）与24通道的空间分辨率限制了深层特征提取。此外，手写想象任务中感觉加工与运动想象的神经表征混杂，进一步增加了有效特征分离的复杂度。

常用场景

经典使用场景

在脑机接口研究领域，基于手写想象的脑电图分类数据集为探索非侵入式脑信号解码提供了关键实验平台。该数据集通过记录受试者在想象书写26个英文字母时的头皮脑电信号，构建了包含7800个样本的标准化数据库，其经典应用场景在于评估卷积神经网络对复杂运动想象任务的解码能力。研究者利用该数据集验证了不同CNN架构在提取时空特征方面的有效性，为开发自然直观的脑到文本转换系统奠定了数据基础。

衍生相关工作

该数据集催生了多项基于深度学习的EEG解码创新研究，其中EEGNet、DeepConvNet等架构的改进版本被广泛应用于运动想象分类任务。后续研究通过引入注意力机制（如LMDA网络）和多尺度时序特征提取（如EEGInception），进一步提升了模型对精细运动模式的敏感性。这些衍生工作不仅深化了对神经编码机制的理解，还推动了轻量化网络设计在嵌入式脑机接口中的实际部署。

数据集最近研究

最新研究方向

在脑机接口领域，基于手写想象的非侵入式脑电图分类正成为前沿探索的热点。该研究聚焦于利用深度神经网络解码头皮记录的脑电信号，旨在将手写想象的神经活动转化为文本输出。通过引入多种卷积神经网络架构，如DeepConvNet、EEGNet和EEGInception，研究揭示了在有限样本量下分类准确率可达约20%，显著超越随机水平。这一方向不仅推动了自然交互式脑机接口的发展，还为解决运动障碍患者的沟通难题提供了潜在方案，尽管当前性能尚不足以实际应用，但为后续优化算法和扩大数据集奠定了重要基础。

相关研究论文

• 通过

  香港浸会大学非线性研究中心,香港大学教育学院复杂神经信号解码实验室 · 2025年