SPIS-Resting-State-Dataset|脑电图数据集|静息状态分析数据集

一个包含EEG和额头EOG的多模态数据集，用于静息状态分析。这是SPIS静息状态EEG数据集的一个子集。数据集包含2.5分钟睁眼和2.5分钟闭眼的静息状态EEG，通过64个Ag/AgCl活性电极以2048Hz采集。

A multimodal dataset comprising EEG and forehead EOG for resting-state analysis. This is a subset of the SPIS resting-state EEG dataset. The dataset includes 2.5 minutes of resting-state EEG with eyes open and 2.5 minutes with eyes closed, collected via 64 Ag/AgCl active electrodes at a sampling rate of 2048 Hz.

原始信息汇总

数据集概述

数据集名称

SPIS-Resting-State-Dataset

数据集描述

这是一个包含EEG和额头EOG的多模态数据集，用于静息状态分析。该数据集是SPIS静息状态EEG数据集的一个子集。

实验描述

• 实验背景：数据集记录于一个105分钟的持续注意反应任务之前，该任务具有固定序列和变化的ISIs。
• 数据内容：每个数据集包含2.5分钟的睁眼（EO）和2.5分钟的闭眼（EC）静息状态EEG。
• 采集设置：使用64个Ag/AgCl活性电极，按照10-10国际电极放置系统进行安装，以2,048 Hz的频率采集单极性EEG活动。
• 实验时间：实验在下午早些时候进行，以诱导已经处于闲置状态的大脑网络的睡意。

文件格式

• 文件类型：所有文件保存为Matlab版本7.3的.mat格式。
• 数据处理：原始数据从2,048 Hz下采样至256 Hz。

电极布局

• EEG电极：通道1至64对应于单极性EEG通道，电极名称如Fp1、AF7等。
• EOG电极：通道65至67为三个表面EOG电极，连接至眼睛外角和眉毛中部。
• 触发通道：通道68为触发通道，触发值200对应睁眼状态，220对应闭眼状态。

数据采集设备

使用64通道Biosemi Active 2放大器进行数据采集，原始信号以微伏为单位测量。

数据预处理与去噪

建议参考源论文或使用该数据集开发的去噪技术文章进行预处理和去噪。

AI搜集汇总

数据集介绍

构建方式

SPIS-Resting-State-Dataset的构建基于一项持续注意力反应任务的实验，该实验在任务开始前记录了10组数据。每组数据包含2.5分钟睁眼（EO）和2.5分钟闭眼（EC）的静息态脑电图（EEG）。数据采集使用了64个Ag/AgCl活性电极，按照国际10-10系统进行布置，采样频率为2,048 Hz，后续降采样至256 Hz。实验在午后进行，以诱导被试者在静息状态下的困倦感，从而模拟真实场景中的脑网络活动。

特点

该数据集的特点在于其多模态性，不仅包含64通道的EEG数据，还记录了前额的三通道眼电图（EOG）数据。EEG数据以微伏为单位，反映了大脑在不同状态下的电活动。此外，数据集还提供了触发通道，用于标识睁眼和闭眼状态，便于研究者进行状态切换的分析。数据的格式为MATLAB的.mat文件，便于在多种编程环境中进行处理和分析。

使用方法

使用SPIS-Resting-State-Dataset时，研究者可以通过MATLAB加载.mat文件，获取EEG和EOG数据。数据预处理和去噪可参考源论文或其他相关文献中的方法。由于数据已降采样至256 Hz，研究者可直接进行频域或时域分析。触发通道的值（200和220）可用于区分睁眼和闭眼状态，便于进行状态相关的脑电活动研究。此外，研究者可根据需要调整通道增益，以优化信号处理效果。

背景与挑战

背景概述

SPIS-Resting-State-Dataset是由Mastaneh Torkamani-Azar和Mujdat Cetin领导的信号处理与信息系统实验室（SPIS）于2020年发布的多模态数据集，专注于静息态脑电图（EEG）和额部眼电图（EOG）的分析。该数据集旨在研究长时间持续注意力任务中的反应时间和警觉性变异性，通过记录10名受试者在执行105分钟持续注意力任务前的2.5分钟睁眼和闭眼静息态EEG数据。数据采集采用64通道的Biosemi Active 2放大器，采样率为2,048 Hz，后降采样至256 Hz。该数据集为神经科学和生物医学工程领域提供了宝贵的资源，推动了基于EEG的认知状态预测研究。

当前挑战

SPIS-Resting-State-Dataset在解决静息态EEG分析中的挑战时，面临多个关键问题。首先，静息态EEG信号通常包含大量噪声和伪影，如眼动和肌肉活动，这些干扰信号会显著影响分析的准确性。其次，长时间持续注意力任务中的警觉性变异性预测需要高精度的时空特征提取，这对算法的鲁棒性和计算效率提出了较高要求。在数据构建过程中，研究人员还需克服高采样率带来的数据存储和处理压力，以及确保数据采集环境的标准化，以减少外部因素对实验结果的影响。这些挑战共同构成了该数据集在应用和研究中的核心难题。

常用场景

经典使用场景

SPIS-Resting-State-Dataset 数据集在神经科学和认知心理学领域中被广泛用于研究大脑在静息状态下的活动模式。该数据集包含了睁眼和闭眼两种状态下的脑电图（EEG）数据，为研究者提供了一个标准化的平台，用于分析大脑在不同意识状态下的电生理特征。通过这一数据集，研究者能够深入探讨大脑网络的动态变化及其与认知功能的关系。

解决学术问题

该数据集解决了在长时间持续注意力任务中，如何从静息态EEG数据中预测反应时间和警觉性变异的学术问题。通过提供高质量的EEG和额部眼电图（EOG）数据，研究者能够提取空间-频谱特征，进而建立预测模型。这一研究不仅推动了脑机接口技术的发展，还为理解大脑在静息状态下的功能连接提供了新的视角。

衍生相关工作

基于SPIS-Resting-State-Dataset 数据集，许多经典研究工作得以展开。例如，研究者开发了多种EEG信号去噪和伪迹去除算法，提升了数据质量。此外，该数据集还被用于验证新的脑网络分析方法，如功能连接分析和图论模型。这些工作不仅丰富了脑科学领域的研究方法，还为后续的脑机接口和神经反馈技术提供了理论基础。