dataset-ssvep-exoskeleton

该数据集收集了12名受试者在共享控制任务中操作上肢外骨骼时的SSVEP-BCI记录。外骨骼可以通过检测手势的无触摸界面或基于SSVEP的BCI进行控制。数据集包含12个目录，记录了年龄在20至28岁之间的男性和女性受试者的数据。受试者坐在电动轮椅上，右上肢放置在外骨骼上。外骨骼功能正常，但在实验记录期间未使用。实验中，受试者被要求坐在轮椅上，并遵循听觉指令，可以自由移动和眨眼。

This dataset comprises SSVEP-BCI (Steady-State Visually Evoked Potential - Brain-Computer Interface) recordings from 12 participants operating an upper-limb exoskeleton in a shared control task. The exoskeleton can be controlled either through a touchless interface detecting gestures or via an SSVEP-based BCI. The dataset includes 12 directories, documenting data from male and female participants aged between 20 and 28 years. Participants were seated in an electric wheelchair with their right upper limb placed on the exoskeleton. Although the exoskeleton was functional, it was not utilized during the experimental recordings. During the experiment, participants were instructed to remain seated in the wheelchair, follow auditory commands, and were allowed to move freely and blink.

原始信息汇总

数据集概述

数据集名称

• dataset-ssvep-exoskeleton

数据集简介

• 该数据集收集了12名受试者在执行共享控制任务时，使用基于SSVEP的BCI操作上肢外骨骼的记录。外骨骼可通过无触摸界面检测手势或基于SSVEP的BCI进行控制。

数据集使用

• 数据集属于MOABB项目，可通过SSVEPExo()类进行下载和使用。

相关出版物

• 数据集被用于以下出版物：
  • Emmanuel K. Kalunga, Sylvain Chevallier, Olivier Rabreau, Eric Monacelli. Hybrid interface : Integrating BCI in Multimodal Human-Machine Interfaces. IEEE/ASME International Conference on Advanced Intelligent Mechatronics (AIM), 2014, Besancon, France.
  • Emmanuel Kalunga, Sylvain Chevallier, Quentin Barthelemy. Data augmentation in Riemannian space for Brain-Computer Interfaces, STAMLINS (ICML workshop), 2015, Lille, France.
  • Emmanuel K. Kalunga, Sylvain Chevallier, Quentin Barthelemy. Online SSVEP-based BCI using Riemannian Geometry. Neurocomputing, 2016. arXiv research report on arXiv:1501.03227.

实验设置

• 外骨骼: 使用ESTA机器人手臂，设计用于补偿肩部和肘部肌肉的肌肉萎缩症。
• 无触摸界面: 包含5个IR传感器，可根据用户需求设置不同空间位置，控制基于迭代kNN方案学习的手势。
• 稳态视觉诱发电位: 使用g.Mobilab+设备记录EEG，频率为256Hz，8通道。SSVEP刺激使用LED闪烁技术，频率为{13, 17, 21}Hz。

数据描述

• 数据集包含12个目录，记录了12名年龄在20至28岁之间的男女受试者的数据。受试者坐在电动轮椅上，右上肢放置在外骨骼上。
• 实验中，受试者根据听觉指令关注LED面板上的特定频率LED，每个试验持续5秒，间隔3秒。
• 数据以GDF格式保存，包含刺激代码作为时间事件。每个用户有2至5个会话，记录在不同日期，由相同操作员在相同条件下进行。

数据处理

• 提供gzip pickle版本的.pz文件，便于Python直接处理。
• 示例代码包括如何从数据集中提取基于刺激代码的协方差矩阵，以及如何使用基于黎曼的分类方案处理提取的空间协方差矩阵。

搜集汇总

数据集介绍

构建方式

该数据集通过采集12名受试者在操作上肢外骨骼时的稳态视觉诱发电位（SSVEP）脑机接口（BCI）记录构建而成。实验过程中，受试者通过触摸界面或SSVEP-BCI控制外骨骼，完成共享控制任务。数据采集使用g.Mobilab+设备，以256Hz的频率记录8个通道的脑电图（EEG），并通过微控制器精确控制LED闪烁频率（13Hz、17Hz、21Hz）。每个受试者进行了2至5次实验，每次实验包含32个试次，涵盖不同频率的视觉刺激和拒绝类试次。数据以GDF格式保存，并提供了gzip压缩的pickle文件以便于Python处理。

特点

该数据集的特点在于其多模态控制任务的实验设计，结合了SSVEP-BCI和触摸界面两种控制方式。数据包含12名受试者的多会话记录，每个会话包含32个试次，涵盖不同频率的视觉刺激和拒绝类试次。数据格式丰富，既包含原始的GDF文件，也提供了便于Python处理的pickle文件。此外，数据集还提供了详细的刺激代码和实验事件标记，便于后续分析和分类任务。数据集的多样性和标准化格式使其适用于脑机接口算法的开发和验证。

使用方法

该数据集的使用方法灵活多样，可通过MOABB项目中的`SSVEPExo()`类直接下载和使用。数据集提供了GDF格式的原始数据以及gzip压缩的pickle文件，便于Python环境下的处理。用户可以利用MNE工具包打开和处理数据，或参考提供的示例代码提取空间协方差矩阵并进行基于黎曼几何的分类。此外，数据集还支持脑机接口算法的开发和验证，特别是针对SSVEP-BCI的多分类任务。通过结合数据集中的刺激代码和实验事件标记，用户可以轻松实现数据的分段、特征提取和模型训练。

背景与挑战

背景概述

dataset-ssvep-exoskeleton数据集由12名受试者在共享控制任务中操作上肢外骨骼时的稳态视觉诱发电位（SSVEP）脑机接口（BCI）记录组成。该数据集是MOABB项目的一部分，旨在探索多模态人机界面中BCI的集成应用。数据集的核心研究问题在于如何通过SSVEP技术实现对外骨骼的精确控制，同时结合无触摸界面检测手势。该数据集的研究成果已在多个国际会议和期刊上发表，如IEEE/ASME国际先进智能机电一体化会议（AIM）和《Neurocomputing》期刊，推动了BCI技术在外骨骼控制领域的应用与发展。

当前挑战

dataset-ssvep-exoskeleton数据集面临的挑战主要体现在两个方面。首先，SSVEP信号的提取与分类存在技术难题，尤其是在多频刺激环境下，如何有效区分不同频率的视觉诱发电位并减少噪声干扰是关键。其次，数据集的构建过程中遇到了硬件同步问题和协议缺陷，导致部分实验数据被排除，影响了数据的完整性和一致性。此外，受试者在实验中的自由眨眼和头部微小移动也可能对EEG信号的质量产生影响，增加了数据处理的复杂性。这些挑战需要通过更先进的信号处理算法和实验设计来克服，以提升数据集的可靠性和实用性。

常用场景

经典使用场景

在脑机接口（BCI）研究领域，dataset-ssvep-exoskeleton数据集被广泛应用于研究基于稳态视觉诱发电位（SSVEP）的脑机接口系统。该数据集记录了12名受试者在操作上肢外骨骼时的脑电信号，特别适用于探索多模态人机交互中的脑机接口集成。通过该数据集，研究者能够深入分析SSVEP信号在外骨骼控制中的表现，进而优化脑机接口系统的设计。

衍生相关工作

基于dataset-ssvep-exoskeleton数据集，研究者们开展了多项经典工作。例如，Emmanuel K. Kalunga等人提出了基于黎曼几何的在线SSVEP分类方法，显著提升了脑机接口系统的实时性能。此外，该数据集还被用于数据增强技术的研究，通过在黎曼空间中扩展数据，进一步提高了分类模型的鲁棒性。这些工作为脑机接口技术的发展奠定了重要基础。

数据集最近研究

最新研究方向

近年来，基于稳态视觉诱发电位（SSVEP）的脑机接口（BCI）技术在康复机器人领域取得了显著进展。dataset-ssvep-exoskeleton数据集作为该领域的重要资源，提供了12名受试者在操作上肢外骨骼时的SSVEP-BCI记录，结合了无触摸界面和SSVEP-BCI控制。该数据集在MOABB项目中得到广泛应用，支持了多项前沿研究，如混合接口设计、数据增强技术以及基于黎曼几何的在线分类方法。这些研究不仅推动了BCI技术在康复机器人中的应用，还为多模态人机交互提供了新的解决方案。通过该数据集，研究者能够深入探索SSVEP信号在外骨骼控制中的潜力，进一步优化康复机器人的用户体验和控制精度。