RodEpil

RodEpil是由卢森堡健康研究所与斯坦福大学联合创建的实验室啮齿动物视频数据集，专为癫痫发作检测研究设计。该数据集包含13,053条10秒时长视频片段，涵盖19只匹鲁卡品诱导癫痫模型大鼠的监控影像，包含10,101个正常活动样本与2,952个癫痫发作样本，原始分辨率640×480并统一预处理为224×224像素。数据通过专业操作员标注与医学专家复核确保质量，采用严格受试者划分的五折交叉验证方案。该数据集主要应用于临床前癫痫研究的非侵入式视频监控领域，旨在解决传统脑电图监测的侵入性局限与人工视频评阅的效率瓶颈，为开发基于计算机视觉的自动癫痫检测算法提供基准平台。

原始信息汇总

RodEpil: Laboratory Rodents Dataset for Epileptic Seizure Detection

数据集概述

• 发布日期：2025年11月13日
• 版本：1.0
• 访问权限：开放获取
• 资源类型：数据集
• 语言：英语

数据内容

• 数据类型：实验室啮齿动物癫痫实验的短视频片段
• 记录时长：每个片段10秒
• 实验对象：19只匹鲁卡品诱导癫痫大鼠
• 监测周期：治疗前（1月14日至2月19日）和治疗后（5月9日至6月8日），每天拍摄10小时，持续30天
• 数据规模：
  • 阴性片段（正常运动活动）：10,101个
  • 阳性片段（惊厥性癫痫发作）：2,952个

数据采集与标注

• 记录环境：受控癫痫实验
• 处理方式：手动裁剪单个笼子后提取片段
• 标注标准：基于专家审查的癫痫发作注释
• 文件命名：包含录制日期、视频ID、笼位、受试者ID、帧范围和类别标签的一致模式

研究用途

• 非侵入性癫痫检测研究
• 基于视频的行为表型分析
• 啮齿动物运动性癫痫分类的机器学习模型基准测试

文件信息

• 总大小：5.3 GB
• 文件列表：
  • README.md (3.1 kB)
  • Seizure_detection_10sec.zip (5.3 GB)

标识符

• DOI：10.5281/zenodo.17601357
• 相关文献：arXiv:2511.10431

许可信息

• 许可证：知识共享署名4.0国际许可

关键词

• 关键词：视频分类、视频检测
• EuroSciVoc：癫痫、深度学习
• MeSH：癫痫/兽医、癫痫、癫痫发作/兽医、视频记录/分类、药物临床前评价/分类

引用格式

Perlo, D., Despotovic, V., Boudissa, S., Sang-Yoon, K., Nazarov, P. V., Yanrong, Z., Wintermark, M., & Keunen, O. (2025). RodEpil: Laboratory Rodents Dataset for Epileptic Seizure Detection (1.0) [Data set]. Zenodo. https://doi.org/10.5281/zenodo.17601357

搜集汇总

数据集介绍

构建方式

在癫痫临床前研究领域，视频数据的系统采集与标注对自动化发作检测至关重要。RodEpil数据集通过实验室环境下对19只癫痫模型大鼠进行长期视频监控，每日记录10-11小时并持续30天，原始视频经专业研究人员依据标准化发作判定标准进行标注，再通过同行评审确保标注一致性。视频预处理阶段采用笼具区域裁剪技术排除识别标签干扰，并基于运动检测筛选有效负样本，最终生成10秒标准片段，形成包含10101个正常行为片段与2952个发作片段的平衡数据集。

特点

该数据集在动物行为分析领域具有显著优势，其视频片段均采用双视角采集模式，包含俯视与侧视角度以全面捕捉运动特征。所有片段统一为10秒时长、30帧/秒的时序结构，空间分辨率规范化为224×224像素，保障了模型输入的标准化。数据集严格遵循受试者隔离原则，通过五折交叉验证划分确保模型评估的严谨性，其适度的类别不平衡性也为研究现实场景下的分类算法提供了验证条件。

使用方法

针对视频癫痫检测任务，数据集支持多种模态输入范式，包括保留空间细节的RGB帧序列、突出运动特征的绝对差分图以及精确描述运动轨迹的光流图。研究者可采用时空Transformer架构进行端到端训练，建议利用Kinetics预训练权重进行迁移学习，并采用加权交叉熵损失应对类别不平衡。评估阶段必须遵循受试者隔离的交叉验证协议，以准确衡量模型对新个体的泛化能力，同时推荐结合F1分数等鲁棒性指标进行综合性能分析。

背景与挑战

背景概述

RodEpil数据集于2025年由卢森堡健康研究所BraiNE与生物信息学团队联合斯坦福大学放射学系共同创建，聚焦于临床前癫痫研究中的非侵入性视频监测技术。该数据集通过实验室啮齿动物的多视角视频片段，系统标注了正常活动与癫痫发作行为，旨在解决传统脑电图监测的侵入性局限与人工视频评分的低效问题。其核心研究价值在于推动基于视觉特征的自动化癫痫检测模型发展，为药物筛选与神经行为表型分析提供标准化基准资源。

当前挑战

在癫痫检测领域，该数据集需应对复杂运动模式与细微行为变化的区分挑战，例如区分痉挛性发作与正常理毛动作的动态差异。构建过程中面临多重困难：原始视频需从多笼位场景中精确裁剪单目标区域以避免身份标签干扰；标注流程依赖专业医学人员对长时视频的逐帧复核，确保发作事件边界的一致性；此外，数据存在类别不平衡问题，正常活动样本数量显著多于发作样本，需通过加权损失函数与严格受试者划分策略保障模型泛化能力。

常用场景

经典使用场景

在癫痫研究领域，RodEpil数据集为视频自动癫痫检测算法提供了标准化的评估基准。该数据集通过严格的受试者间交叉验证方案，确保了模型在新个体上的泛化能力，成为验证各类时空特征提取模型性能的理想平台。研究人员可基于该数据集开发能够准确区分正常活动与惊厥发作的智能算法，推动非侵入式监测技术的发展。

实际应用

在药物筛选和临床前研究中，RodEpil数据集支持开发的视频监测系统可实现全天候自动化癫痫发作检测，大幅降低人工观察成本。这种非侵入式监测方法特别适用于大规模药物疗效评估实验，能够精确量化治疗干预对癫痫发作频率的影响，为抗癫痫药物的研发提供高效可靠的行为学评价工具。

衍生相关工作

基于RodEpil数据集的研究推动了多项相关工作的进展，包括将Transformer架构应用于动物行为分析、开发多模态融合检测系统等。该数据集启发了结合姿态估计工具如DeepLabCut和SLEAP的混合方法研究，同时促进了针对长时程行为模式分析的时序建模技术发展，为视频生物医学分析领域建立了新的技术路线。