Raccoons vs Demons

Raccoons vs Demons数据集是由内瑞、莫斯科国立大学和莫斯科物理技术学院合作创建，专注于视觉P300脑机接口（BCI）的研究。该数据集包含61名健康参与者在虚拟现实游戏中的脑电信号，旨在通过多类别标签提供丰富的刺激选择信息，以评估模型在每个刺激预测阶段的置信度。数据集的创建过程涉及参与者在游戏中扮演森林管理员，通过脑电信号控制游戏中的动作，如喂养动物和保护它们免受恶魔的侵害。该数据集的应用领域主要集中在BCI技术的进一步发展和优化，特别是在游戏和娱乐领域的应用，以解决如何通过脑电信号更有效地进行人机交互的问题。

The Raccoons vs Demons dataset was co-created by Neri, Lomonosov Moscow State University, and Moscow Institute of Physics and Technology, focusing on the research of visual P300 brain-computer interface (BCI). This dataset contains electroencephalogram (EEG) signals from 61 healthy participants during their participation in virtual reality games. It is designed to provide rich stimulus selection information via multi-class labels, thereby evaluating the model's confidence in each stimulus prediction phase. The dataset development process involved participants playing the role of forest rangers in the game, controlling in-game actions such as feeding animals and protecting them from demons using their EEG signals. Its application fields mainly focus on the further development and optimization of BCI technology, particularly its applications in the gaming and entertainment sectors, to address the challenge of achieving more efficient human-computer interaction via electroencephalogram signals.

搜集汇总

数据集介绍

构建方式

在脑机接口研究领域，数据集的构建需兼顾生态效度与实验控制。Raccoons vs Demons 数据集通过虚拟现实游戏环境采集，采用经典的oddball范式，以增强实验的沉浸感与互动性。研究招募了61名健康参与者，使用NVX-52脑电图仪以500Hz采样率记录8个枕区及顶区电极的脑电信号，并通过HTC Vive Pro VR头显呈现视觉刺激。实验分为学习阶段与反馈阶段：学习阶段中，参与者需计数特定浣熊的跳跃次数，每轮包含50次目标刺激与450次非目标刺激；反馈阶段则以恶魔跳跃为刺激，参与者自主选择目标，系统记录其选择以支持后续的多类别标签分析。数据采集过程伴随语音指导与背景音乐，确保了实验情境的自然性与一致性。

特点

该数据集的突出特点在于其多类别标签设计，突破了传统P300数据集仅包含二分类（目标/非目标）信息的局限。每个数据记录不仅标注了单个epoch是否包含P300成分，还整合了用户在游戏反馈阶段自主选择的目标刺激信息，从而支持对模型在每一刺激预测阶段置信度的评估。数据集包含丰富的元数据层次结构，如轮次（Round）、动作序列（Act）和游戏记录（Record），便于研究者从不同时间尺度进行分析。此外，数据采集于高度交互的VR游戏环境，增强了生态效度，同时通过硬件同步确保了脑电信号与刺激呈现的精确对齐，为迁移学习与跨情境BCI研究提供了高质量资源。

使用方法

该数据集适用于脑机接口领域，特别是P300事件相关电位的研究与算法开发。研究者可利用其进行二分类任务（识别单个epoch是否包含P300）或多类别分类任务（预测用户选择的刺激类别）。数据预处理可采用标准流程，包括降采样、带通滤波、幅值裁剪与通道标准化，具体参数可参考原论文中的优化结果。分类阶段可应用传统机器学习方法（如SVM）或深度学习模型，并利用数据集中提供的多类别标签进行模型置信度校准。数据集已公开于GitLab平台，支持EDF格式读取，可与MNE、PyRiemann及MOABB等开源工具链无缝集成，便于进行离线分析、算法比较及可重复性研究。

背景与挑战

背景概述

在脑机接口（BCI）研究领域，P300事件相关电位作为一种关键神经信号，长期被用于开发辅助通信与控制系统。Raccoons vs Demons数据集由Neiry、莫斯科国立大学及莫斯科物理技术学院的研究团队于2020年发布，旨在推动基于虚拟现实环境的P300-BCI游戏应用研究。该数据集通过61名健康参与者在VR游戏中的脑电记录，提供了多类别标记的P300响应，其核心研究问题聚焦于提升多类别分类精度与模型置信度评估，为BCI在娱乐交互领域的算法优化与迁移学习奠定了重要数据基础。

当前挑战

该数据集致力于解决P300-BCI在复杂交互场景中的多类别分类挑战，包括如何在高噪声背景下准确识别用户意图，以及降低误分类导致的用户体验下降。在构建过程中，研究团队面临实验设计的复杂性，如通过VR环境实现刺激呈现与脑电记录的硬件同步，并需处理数据预处理中滤波、降采样等参数选择的经验性依赖。此外，数据固有的类别不平衡与个体差异显著增加了模型泛化与实时性能优化的难度。

常用场景

经典使用场景

在脑机接口研究领域，Raccoons vs Demons数据集为P300事件相关电位分析提供了经典范例。该数据集通过虚拟现实游戏环境采集多类别标记的脑电信号，模拟了用户与动态视觉刺激交互的真实场景。研究者利用该数据集训练和验证分类模型，以识别用户注意力聚焦的目标刺激，从而评估脑机接口系统在复杂环境下的性能表现。

实际应用

Raccoons vs Demons数据集的实际应用主要体现在娱乐性脑机接口系统的开发与优化。基于该数据集训练的模型可直接应用于虚拟现实游戏控制，实现通过脑电信号选择特定目标的操作。此外，数据集中的置信度评分机制为减少误分类提供了实用策略，增强了用户体验的流畅性，促进了脑机接口技术在健康人群中的普及与推广。

衍生相关工作

该数据集衍生了一系列经典研究工作，主要集中在脑电信号处理与机器学习方法的创新。例如，基于数据集的预处理流程优化研究，探讨了降采样、滤波和时窗截取等参数对分类性能的影响。同时，数据集中引入的多类别标签启发了神经网络架构的设计，如利用贝叶斯方法整合先验知识的模型。相关成果进一步推动了MOABB等开源基准测试平台的发展，为脑机接口算法的标准化评估提供了重要参考。