lemonLHC/DREAMS

DREAMS睡眠数据库是一个专注于睡眠事件标注的EEG（脑电图）和多导睡眠图数据集，包含多个子数据库，用于睡眠研究。数据集包括睡眠纺锤波、K复合波、快速眼动（REM）、伪影、周期性肢体运动（PLM）、呼吸暂停等事件的专家标注数据，以及健康和患者整夜记录的睡眠分期（hypnogram）。数据以原始RAR文件格式提供，提取后包含30分钟或整夜的EEG信号片段，采样率从50 Hz到200 Hz不等，通道包括C3-A1、CZ-A1、EOG等典型配置。睡眠分期采用5秒周期（优于AASM的30秒标准），并遵循R&K和AASM编码约定。数据集主要用于训练睡眠事件分类模型，如多标签分类器，支持学术和非商业用途（CC BY-NC-SA 4.0许可证）。The DREAMS Sleep Databases is a collection of EEG and polysomnography datasets focused on sleep event annotations, comprising multiple sub-databases for sleep research. It includes expert-annotated data for events such as sleep spindles, K-complexes, rapid eye movements (REM), artifacts, periodic limb movements (PLM), and hypopnea, along with hypnograms from healthy subjects and patients for whole-night recordings. Data is provided in original RAR file formats, extracting to 30-minute or whole-night EEG signal segments with sampling rates ranging from 50 Hz to 200 Hz, using typical channels like C3-A1, CZ-A1, and EOG. Sleep staging follows a 5-second epoch convention (finer than the AASM 30-second standard) and adheres to R&K and AASM coding. The dataset is primarily intended for training sleep event classification models, such as multi-label classifiers, and is licensed for academic and non-commercial use under CC BY-NC-SA 4.0.

搜集汇总

数据集介绍

构建方式

DREAMS睡眠数据库源自孟斯理工大学TCTS实验室与布鲁塞尔自由大学查尔斯罗伊睡眠实验室的合作成果，通过整夜多导睡眠监测（PSG）采集健康受试者与患者的脑电、眼电、肌电及呼吸信号。数据以RAR压缩包形式组织，包含纺锤波、K复合波、REM眼动、伪影、周期性腿动、呼吸暂停及完整睡眠分期等八个子数据库，由睡眠专家依据R&K及AASM标准进行精细标注，形成了层次分明、领域覆盖广泛的高质量医学数据集。

特点

该数据集采用5秒超短分期窗格，较常规30秒标准提供更高时间精度的标注，尤其适合睡眠事件级分析。各子数据库覆盖不同事件类型：纺锤波、K复合波与REM眼动重点关注脑电瞬态特征，伪影与腿动数据库则提供丰富的噪声与运动标注，而脑电波与多模态信号均以100–200 Hz采样率存储，确保了信号保真度与学术研究的适用性。

使用方法

用户可通过HuggingFace克隆仓库并利用Git LFS获取数据，使用unar工具解压RAR压缩包，即可获得原始EEG、EOG、EMG信号及专家标注文件。数据集提供MATLAB脚本与文本格式的底层处理程序，支持科研人员直接加载信号与事件标签，适用于训练睡眠事件分类模型、评估检测算法或构建多标签分类任务，如结合MASS数据库进行5类联合建模。

背景与挑战

背景概述

DREAMS睡眠数据库由比利时蒙斯大学TCTS实验室与布鲁塞尔自由大学沙勒罗瓦睡眠实验室联合创建，于2005年首次发布，旨在为睡眠神经生理学信号分析提供标准化的多模态标注数据集。该数据库聚焦于睡眠纺锤波、K复合波、快速眼动及相关事件（如周期性肢体运动、呼吸暂停）的专家级标注，覆盖20名健康受试者与27名患者的整夜多导睡眠图记录。作为睡眠微结构分析领域的重要基准，DREAMS推动了自动睡眠分期与事件检测算法的开发，其精细的5秒分期粒度与多通道脑电图、眼电图、肌电图信号为生理信号处理与机器学习界提供了高价值参考。

当前挑战

领域层面，睡眠微结构事件的自动识别面临高度个体差异与信号噪声干扰，例如纺锤波与K复合波的形态多样常导致传统检测方法误判。DREAMS通过多专家标注与多子库划分（如Spindles与Kcomplexes）缓解了标注一致性难题，但不同子库间采样率与导联配置的差异（如50至200赫兹不等）增加了跨库联合训练的适配成本。构建过程中，历时数年的整夜记录标注需医学专家逐帧审核，人工成本极高；原始RAR压缩格式的分散存储与现代深度学习流水线的直接兼容性有限，数据提取与标准化预处理成为用户部署前的主要技术障碍。

常用场景

经典使用场景

DREAMS睡眠数据集作为多导睡眠图（PSG）与脑电图（EEG）领域的重要资源，其经典使用场景集中于睡眠事件检测与分期算法的开发与验证。研究人员常利用该数据集中的纺锤波、K-复合波、快速眼动等精细标注的子数据库，训练和评估机器学习或深度学习模型在睡眠微观结构分析中的表现。数据以5秒为单位的分期粒度，相较于传统30秒标准，为捕捉瞬态神经生理事件提供了更高时间分辨率，使其成为睡眠阶段自动分类和异常事件识别任务中不可替代的基准测试平台。

衍生相关工作

围绕DREAMS数据集衍生了众多里程碑式工作，其中包括基于卷积神经网络的多任务睡眠事件联合检测框架、融合注意力机制的Transformer结构用于纺锤波与K-复合波的同时识别，以及结合领域对抗训练的跨数据集睡眠分期模型。这些工作不仅验证了DREAMS在模型泛化能力评估中的关键作用，还催生了睡眠EEG预训练范式与少样本学习策略的创新，推动了睡眠分析领域从单数据集封闭训练向多源数据融合、可迁移模型方向纵深发展。

数据集最近研究

最新研究方向

在睡眠神经科学领域，DREAMS数据集凭借其精细的5秒epoch分期标准与多类别睡眠事件（纺锤波、K复合波、REM、周期性肢体运动及呼吸事件）的专家级标注，正成为多标签睡眠事件分类模型训练的核心基准。近期研究前沿聚焦于构建融合EEG频谱特征与跨通道时序关联的深度学习框架，以同步检测全夜记录中的复合睡眠事件并化解标注稀疏性问题；同时，该数据与MASS等大型多模态睡眠库的联合使用，催生了面向睡眠障碍自动诊断与睡眠分期—事件联合预测的预训练大语言模型范例，显著提升了异常睡眠模式的识别灵敏性与临床可解释性。