XP2

该数据集包含同时进行的64通道EEG和fMRI数据，用于右手机械意象和神经反馈任务。数据涉及16名随机分配的受试者，分为两组进行双模态EEG-fMRI神经反馈，一组使用二维反馈隐喻，另一组使用一维反馈。

This dataset comprises simultaneous 64-channel EEG and fMRI data, utilized for right-hand motor imagery and neurofeedback tasks. The data involves 16 randomly assigned subjects, divided into two groups for bimodal EEG-fMRI neurofeedback, with one group employing a two-dimensional feedback metaphor and the other utilizing one-dimensional feedback.

原始信息汇总

数据集概述

本数据集（XP2）包含16名参与者在执行右手机械想象和神经反馈（NF）任务时的同步64通道EEG和fMRI数据。参与者被随机分配到两个组，一组进行双模态EEG-fMRI NF，使用二维反馈隐喻，另一组则使用一维反馈。

实验范式

实验包括5个EEG-fMRI运行，采用20秒块设计，交替休息和任务。每个运行包含8个块，每个块包括20秒休息和20秒任务。任务包括：

• _task-MIpre：无NF的机械想象运行，8个块。
• _task-1dNF 或 _task-2dNF：双模态神经反馈，分别使用一维或二维反馈显示。
• _task-MIpost：无NF的机械想象运行，8个块。

EEG数据

EEG数据使用64通道MR兼容解决方案记录，采样率为5kHz，参考电极为FCz，地电极为AFz，分辨率为0.5微伏。原始EEG数据存储在XP2/sub-xp2*/eeg目录下，每个记录包含数据文件、头文件和标记文件。预处理后的EEG数据存储在XP2/derivatives/sub-xp2*/eeg_pp/*eeg_pp.*，并使用BrainVision Analyzer II软件进行处理，包括自动梯度伪影校正、下采样、低通滤波和心电图伪影校正。

BOLD fMRI数据

fMRI数据使用3T Siemens Verio扫描仪，采用EPI序列，TR=1秒，TE=23毫秒，分辨率为2x2x4毫米，覆盖大脑上半部分。数据已转换为Nifti-1格式并进一步转换为BIDs格式。功能数据和相关元数据存储在XP2/sub-xp2*/func目录下。BOLD-NF分数计算涉及对fMRI数据的预处理，包括切片时间校正、空间对齐、平滑和标准化，以及第一级一般线性模型分析。

解剖MRI数据

作为fMRI分析的结构参考，使用3D T1 MPRAGE序列获取高分辨率图像，参数包括TR=1.9秒，TE=22.6毫秒，分辨率为1x1x1毫米。解剖数据和相关元数据存储在XP2/sub-xp2*/anat目录下。

搜集汇总

数据集介绍

构建方式

XP2数据集的构建基于多模态神经反馈任务，结合了同步的64通道脑电图（EEG）和功能性磁共振成像（fMRI）技术。研究涉及16名受试者，随机分为两组，分别执行单维和双维神经反馈任务。实验设计包括5次EEG-fMRI运行，采用20秒的块设计，交替进行休息和任务。数据采集过程中，EEG数据以5kHz的采样率记录，fMRI数据则通过3T Siemens Verio扫描仪获取，覆盖大脑上半部分。所有数据均按照BIDS格式进行组织和存储，确保了数据的标准化和可重复性。

使用方法

XP2数据集的使用方法遵循BIDS标准，数据按受试者和任务类型组织，便于研究者快速定位所需数据。EEG数据以Brain Vision Recorder格式存储，包含原始数据、头文件和标记文件，预处理后的数据则以Brain Analyzer格式提供。fMRI数据以Nifti格式存储，并附有事件文件，详细记录了每个任务的起始时间和类型。研究者可以通过MATLAB结构文件访问神经反馈评分，进一步分析EEG和fMRI信号的关联性。数据集的使用手册和预处理步骤详细说明了数据的获取和处理流程，确保了数据的可重复性和研究的透明性。

背景与挑战

背景概述

XP2数据集是一个结合了同步脑电图（EEG）和功能性磁共振成像（fMRI）的多模态神经反馈数据集，由Lioi等人于2019年创建。该数据集的核心研究问题在于探索在运动想象任务中，如何通过神经反馈技术整合EEG和fMRI数据，以提升大脑活动的自我调节能力。研究团队包括来自法国国家健康与医学研究院（INSERM）和雷恩大学的研究人员，如Anatole Lécuyer和Christian Barillot等。该数据集为神经科学领域提供了宝贵的多模态数据资源，推动了神经反馈技术在脑机接口和神经康复中的应用。

当前挑战

XP2数据集在构建和应用过程中面临多重挑战。首先，同步EEG和fMRI数据的采集和处理极为复杂，需克服磁场干扰、梯度伪影和心电伪影等技术难题。其次，神经反馈任务的设计要求高度精确的时间同步和数据处理，以确保反馈的实时性和有效性。此外，数据集的构建还需解决多模态数据的融合问题，如何将EEG和fMRI信号有效整合以提供准确的神经反馈仍是一个开放的研究问题。这些挑战不仅考验了数据采集和处理的技术能力，也为未来多模态神经反馈研究提供了重要的研究方向。

常用场景

经典使用场景

XP2数据集在神经科学研究中具有重要应用，尤其是在多模态数据整合领域。该数据集通过同时采集64通道的脑电图（EEG）和功能性磁共振成像（fMRI）数据，为研究者提供了一个独特的平台，用于探索大脑在运动想象和神经反馈任务中的动态活动。经典的使用场景包括分析EEG和fMRI信号在神经反馈任务中的协同作用，以及研究不同反馈模式（如单维和双维反馈）对大脑活动的影响。

解决学术问题

XP2数据集解决了神经科学领域中的多个关键问题，尤其是在多模态数据整合和神经反馈机制的研究中。通过提供同步的EEG和fMRI数据，该数据集使研究者能够更深入地理解大脑在不同任务状态下的功能连接和动态变化。此外，数据集还为神经反馈技术的优化提供了实验基础，帮助研究者探索如何通过多模态反馈提高神经反馈的效果，从而为神经康复和脑机接口技术的发展提供了重要支持。

实际应用

在实际应用中，XP2数据集为神经反馈技术的开发和应用提供了宝贵的数据资源。通过分析该数据集，研究者可以设计更有效的神经反馈训练方案，用于治疗神经系统疾病，如中风后的运动功能恢复。此外，该数据集还可用于开发脑机接口系统，帮助残障人士通过大脑活动控制外部设备。这些应用不仅推动了神经科学研究的进展，也为临床医学和康复工程带来了新的可能性。

数据集最近研究

最新研究方向

近年来，XP2数据集在神经科学领域的研究方向主要集中在多模态数据整合与神经反馈技术的优化上。该数据集通过同步采集的EEG和fMRI数据，为研究者提供了丰富的神经活动信息，特别是在运动想象和神经反馈任务中的应用。前沿研究探索了如何通过双维度和单维度反馈显示来增强神经反馈的效果，进而提升大脑自我调节能力。此外，结合机器学习算法，研究者正在开发更高效的信号处理方法，以优化EEG和fMRI数据的预处理流程，从而提高神经反馈的精准度和实时性。这些研究不仅推动了脑机接口技术的发展，也为神经康复和精神疾病的治疗提供了新的思路。