MindBigData 2023 MNIST-8B

MindBigData 2023 MNIST-8B是由MindBigData创建的迄今为止最大的脑信号开放数据集，专为机器学习设计。该数据集基于单个受试者的EEG信号，使用128通道自定义设备捕捉，复现了Yaan LeCun等人的MNIST数据集中的70,000个数字。数据收集过程中，受试者观看原始数字像素并同时听到0到9的语音标签。数据集不仅包含EEG数据，还包括音频文件和电极的3D坐标，适用于多种研究目的，如标签分类、数字像素重建和基于脑信号的音频波形分析。此数据集的发布旨在增加对大脑的理解，并为机器学习社区提供新的挑战性指标，以促进新算法的开发和人工智能领域的进步。MindBigData 2023 MNIST-8B is the largest open-source brain signal dataset created by MindBigData to date, specifically tailored for machine learning research. This dataset is based on electroencephalogram (EEG) signals from a single participant, captured using a custom 128-channel device, and reproduces the 70,000 digits from the MNIST dataset originally curated by Yann LeCun et al. During data collection, the participant viewed raw digit pixel stimuli while simultaneously listening to spoken labels corresponding to numbers 0 through 9. The dataset includes not only raw EEG data, but also audio files and 3D coordinates of the EEG electrodes, supporting a wide range of research applications such as label classification, digit pixel reconstruction, and audio waveform analysis based on brain signals. The release of this dataset aims to advance fundamental understanding of the human brain, provide the global machine learning community with novel challenging benchmarks, and foster the development of new algorithms and progress in the field of artificial intelligence.

搜集汇总

数据集介绍

构建方式

MindBigData 2023 MNIST-8B的构建源于对脑机接口与机器学习交叉领域的深刻洞察。研究者采用自制的128通道干电极EEG设备，在单一受试者观看原始MNIST数字像素并同步聆听对应数字发音（0至9）的过程中，以250Hz采样率记录每段2秒的脑电信号。数据集完整复现了LeCun等人MNIST数据集的70,000个数字，并额外采集了数字间2秒的空白间隔信号，最终生成包含140,000条记录、超过80亿个数据点的多模态脑信号数据集。数据以原始未处理的整数格式存储于CSV文件中，每行包含64,000个EEG数据点、标签信息、784个像素值及时间戳等元数据，同时提供对应音频文件和电极三维坐标，便于多维度分析。

特点

该数据集的核心特点在于其规模与多模态性，是迄今为止最大的开放脑信号数据集。相较于传统MNIST的7200万数据点，其数据量提升逾百倍，为机器学习算法提供了前所未有的挑战。数据采集采用128通道高密度EEG，覆盖全脑区域，并同步记录视觉（数字像素）与听觉（数字发音）刺激下的脑电反应。原始数据未经滤波或预处理，保留了完整的信号噪声与伪迹，这既为研究者提供了探索新型信号处理方法的空间，也要求使用者具备处理高噪声数据的专业能力。此外，数据集包含标签来源、位置、会话编号等详尽元数据，支持多种研究目标，如数字分类、像素重建或音频波形解码。

使用方法

使用该数据集时，研究者可直接利用CSV文件中的64,000维原始EEG特征进行模型训练，或结合784个像素值实现脑信号至图像的逆向重建。由于数据以原始ADC数值呈现，建议使用者根据设备特性进行单位转换（如微伏计算），并依据实验需求进行基线校正、带通滤波（如0.1-50Hz）等预处理。音频文件夹中的WAV文件可用于多模态学习，而电极三维坐标文件则支持源定位或脑网络分析。数据集在HuggingFace平台开放，提供标准训练/测试划分（60,000/10,000条记录），便于复现基准实验。研究者应关注脑信号的时域连续性，利用时间戳与会话编号设计交叉验证策略，以应对单受试者数据的个体特异性挑战。

背景与挑战

背景概述

脑机接口与机器学习领域的交叉研究近年来蓬勃发展，但高质量、大规模的脑电信号开放数据集仍属稀缺资源，制约着解码算法与神经技术的突破。在此背景下，David Vivancos于2023年发布了MindBigData 2023 MNIST-8B数据集，这是截至当时规模最大的脑信号开放数据集。该数据集基于单名受试者使用自研128通道EEG设备采集的信号构建，完整复现了Yann LeCun等人经典MNIST数据集中的70,000个手写数字。受试者在观看原始数字像素逐一亮起的同时聆听对应的数字读音，从而同步捕获视觉与听觉刺激诱发的脑电活动。数据集总计包含140,000条记录、超过80亿个数据点，为脑信号分类、数字图像重建及音频波形解码等任务提供了前所未有的数据基础，对推动脑科学与人工智能的深度融合具有里程碑意义。

当前挑战

该数据集面临的核心挑战首先在于所解决的领域问题：如何从高噪声、低空间分辨率的128通道EEG信号中精准解码出10类数字标签，并进一步实现像素级图像与音频波形的重建，这对现有机器学习算法的鲁棒性与泛化能力提出了严苛考验。此外，数据集构建过程本身亦充满挑战：自研128通道EEG设备基于尚处alpha阶段的FreeEEG128开源硬件方案，需自行焊接、调试并集成16个ADC芯片，硬件稳定性与信号质量难以保证；干电极虽提升了佩戴便捷性，却引入了较高的接触阻抗与噪声；采集过程中需在数百个会话内保持受试者专注、避免眨眼与身体移动，同时实时监控超过96%的通道信号质量，任何干扰都可能导致整块数据作废，最终耗时数月才完成全部70,000个数字的脑信号捕获。

常用场景

经典使用场景

MindBigData 2023 MNIST-8B作为目前规模最大的脑信号开放数据集，其经典使用场景集中于基于脑电图（EEG）信号的模式识别与解码任务。该数据集记录了单名受试者在观看MNIST手写数字像素并同步聆听对应数字音频时的128通道脑电活动，提供了超过80亿个数据点。研究者可利用其丰富的多模态信息，开展从脑信号到数字标签的分类、数字图像像素的重建，乃至音频波形的逆向恢复等经典实验，为脑机接口与机器学习算法的性能评估提供了前所未有的基准。

实际应用

在实际应用层面，MindBigData 2023 MNIST-8B为开发非侵入式脑机接口（BCI）系统提供了关键数据支撑。基于该数据集训练的模型可被部署于智能辅助设备，例如为运动障碍患者构建基于意念的数字输入系统，或实现通过脑电信号直接控制电子设备的原型。此外，其在神经反馈训练、认知状态监测以及人机交互新范式中展现出巨大潜力，为将实验室研究成果转化为可穿戴脑电产品奠定了坚实基础。

衍生相关工作

该数据集的发布催生了一系列富有影响力的衍生工作。研究团队基于其高密度EEG通道与多模态标签，开发了面向脑信号重建的深度学习架构，如结合卷积神经网络与注意力机制的脑电解码模型。同时，该数据集成为对比不同预处理策略（如去噪、基线校正）效果的平台，推动了EEG信号增强技术的研究。此外，围绕该数据集的开放竞赛与社区协作，进一步激发了从源定位到脑网络分析等方向的新算法涌现，加速了神经科学与人工智能的交叉融合。