amber

Amber 是一个开放的脑电图（EEG）语料库，旨在将多个公共 EEG 数据集统一为一种自描述的容器格式（EEGX），以便于大规模分析和机器学习应用。该数据集包含 6,047 小时的 EEG 记录，来自 7,241 个记录片段、1,835 名受试者和 161 个不同的源数据集。数据总大小为 60.4 GB，包含 3,754,479 个标注事件。数据集特别侧重于收集受试者在执行任务（如阅读、聆听、记忆、决策、控制界面）时的 EEG 数据，而非静止状态。内容分类包括：主动任务（302.6 小时）、临床（164.8 小时）、静息/未标记（330.1 小时）和睡眠（5,249.5 小时）。所有数据均以统一格式提供，每个文件为一个 (n_channels, n_samples) 的通道主序数组，物理单位为浮点型。数据支持时间序列预测和特征提取等任务。数据集遵循混合开放许可（CC0 和 ODC-BY 1.0），要求对每个源数据集进行适当归因。该语料库还提供了目录索引（catalog.jsonl）和纯 Python 参考读取器（eegx），便于用户根据采样率、通道数或时长进行过滤和读取。

原始信息汇总

Amber — 开放 EEG 语料库

概述

• 包含 6,046 小时 EEG 数据
• 来自 7,275 个记录、1,864 名受试者、164 个公开数据集
• 全部转换为统一的自描述容器格式，可用一行代码读取

核心统计

指标	数值
记录时长	6,046.4 小时
EEG 通道-小时	37,487
记录数	7,275
文件数	7,523
受试者数	1,864
源数据集数	164
标注事件数	3,612,642
大小	60.5 GB
位精确文件	3,620 / 7,523 (48%)

内容分类（受试者活动）

内容类型	小时	记录数	数据集数
主动任务	295.3	3,434	61
临床	164.8	83	5
静息 / 未标注	336.8	3,382	92
睡眠	5,249.5	376	6

标签源自数据集标题和任务实体，通过 tools/content_tiers.py 生成，仅供参考而非人工整理的基准真值。

快速开始

依赖：仅需 numpy 和 zstandard（较重的转换器 pyedflib、mne 为惰性导入，读取时不需）：

bash pip install numpy zstandard huggingface_hub

python from huggingface_hub import snapshot_download import eegx # reader shipped in this repo under eegx/

p = snapshot_download(amongglue/amber, repo_type=dataset, allow_patterns=data/physionet/eegmat/*) r = eegx.open(f{p}/data/physionet/eegmat/Subject00_1.eegx)

x = r.read() # (n_channels, n_samples) float32, physical units x = r.read(picks=[eeg]) # EEG channels only print(r.sfreq, r.duration, r.channel_names, r.events)

每个文件为单个 (n_channels, n_samples) 通道优先数组。这是该格式唯一的刚性保证：无论蒙太奇、任务或原始供应商格式如何，此形状始终成立。容器布局详见 SPEC.md。

目录结构

data/<archive>/<dataset>/*.eegx signals, one file per recording data/<archive>/<dataset>/README.md source, licence, hours, channels catalog.jsonl one row per file: id, hours, channels, rates SPEC.md the container format eegx/ reference reader (pure Python + numpy)

catalog.jsonl 是索引入口，可在不打开任何信号文件的情况下按采样率、通道数或时长筛选。

来源贡献

Other — 164 个数据集共 6,046.4 小时

完整数据集列表（含 Source、Hours、Rec、Subj、Rate (Hz)、Ch、Licence）见 README 中的表格，涵盖 sleep-edfx、hmc-sleep-staging、ucddb、siena-scalp-eeg、eegmmidb 等 164 个数据集，许可均为 ODC-BY。

时长计算方式

• 记录时长：墙钟时间，按每个源记录计一次。混合采样率的记录会按采样率分组拆分为多个文件，因此一夜睡眠可能对应多个文件；仅计入至少含一个 EEG 通道的文件，且同一记录的各部分不会相加。
• 通道-小时：时长乘以 EEG 通道数，是衡量训练数据量的关键指标。

保真度

• EDF/BDF 源在数字层面读取，以相同的整数存储，并保留原始每通道仿射映射，转换位精确且可逆——可通过源仓库中的 tools/verify_lossless.py 验证（重新下载原始文件并比较样本）。
• 仅暴露浮点数据的源（EEGLAB .set、部分 BrainVision）会针对每通道满量程范围重新量化为 int16；这些文件在其头部和 catalog.jsonl 中标记为 lossless: false。

来源与许可

• 每个文件记录其来源：源 URL、原始文件的 SHA-256、许可和转换时间：

python eegx.read_header(path)[provenance]

• 所有包含的数据集均为 CC0 或 ODC-BY 1.0，均允许再分发。
• ODC-BY 要求署名：每个数据集的 README.md 均标明原始来源，这些引用应随任何衍生作品一同传播。
• 本仓库是格式转换，而非新数据——请引用原始作者，而不仅是本语料库。

标签与分类

• 标签：eeg、neuroscience、biosignals、time-series、brain-computer-interface、sleep
• 任务类别：time-series-forecasting、feature-extraction
• 规模类别：10B < n < 100B
• 许可：other（mixed-open-cc0-and-odc-by），许可链接：https://opendatacommons.org/licenses/by/1-0/
• viewer: false

搜集汇总

数据集介绍

构建方式

Amber语料库的构建源于脑电信号研究领域对跨数据集整合的迫切需求，其核心策略在于将来自164个公开数据集的7,275段记录统一转换为自描述的EEGX容器格式。构建过程中，EDF/BDF格式的源文件以数字级别读取并保留原始逐通道仿射映射，实现位精确且可逆的转换，而仅提供浮点数据的EEGLAB等格式则按通道满量程重新量化为int16。每个文件均记录来源URL、原始SHA-256、许可证及转换时间，确保完整的溯源信息。

特点

该数据集汇集了1,864名受试者共计6,046.4小时的脑电记录，涵盖37,487通道小时与3,612,642个标注事件，总规模达60.5 GB。其显著特点在于偏重受试者执行主动任务时的脑电信号，如阅读、聆听、记忆与接口控制，而非静息态记录。所有文件严格遵循单一通道优先的(n_channels, n_samples)矩阵结构，无论导联布局、任务类型或原始厂商格式如何，该形状恒定不变，从而支持对未知记录的枚举与转换。

使用方法

使用该数据集仅需安装numpy与zstandard，并通过huggingface_hub下载快照。借助仓库内置的eegx参考读取器，用户可执行eegx.open()打开指定EEGX文件，调用read()获取物理单位的浮点数组，或通过picks参数筛选脑电通道，并访问采样率、时长、通道名称及事件信息。catalog.jsonl提供逐文件索引，允许在不打开信号文件的情况下按采样率、通道数或时长进行筛选。

背景与挑战

背景概述

脑电图（EEG）作为刻画神经电生理活动的核心手段，其数据共享与复用长期受制于格式碎片化与样本规模不足。Amber语料库由研究团队于近年构建并公开发布，旨在将164个公开数据集、7275段记录、1864名受试者的6046小时EEG信号统一转换为自描述的EEGX容器格式，从而以单行代码实现跨来源读取。该工作直面EEG领域缺乏大规模、异构整合基准的核心问题，其以主动任务与睡眠数据为主体的构成，为时间序列预测、特征提取及脑机接口研究提供了迄今规模领先的开放资源，对推动可复现神经科学与算法泛化评估具有显著影响力。

当前挑战

Amber所应对的领域问题在于EEG数据因采集设备、导联布局、采样率与文件格式的巨大多样性而难以规模化利用，传统分析流程需针对每一来源单独适配，严重阻碍模型训练与跨数据集验证。其构建过程亦面临多重挑战：164个数据集的元数据与许可条款参差不齐，需逐一核验并确保CC0或ODC-BY兼容；EDF/BDF可位精确转换，而仅提供浮点数据的EEGLAB与BrainVision来源则需重新量化并标记有损；睡眠记录跨采样率切分与通道小时统计亦要求精细的工程处理。这些因素共同构成了大规模EEG语料整合的典型难题。

常用场景

经典使用场景

在脑机接口与认知神经科学领域，Amber凭借其庞大的规模与统一格式，成为多任务脑电建模的经典基座。研究者得以将运动想象、事件相关电位、睡眠分期等异质任务置于同一容器中，利用其三万七千余通道小时的信号开展跨数据集预训练与迁移学习。例如，在运动想象解码中，可一次性枚举上百个源数据集的特征分布，从而评估模型在未知被试与未知采集设备上的泛化边界，这种能力在以往碎片化的脑电资源中难以实现。

实际应用

在临床与消费级场景中，Amber为睡眠自动分期、癫痫发作检测、注意力监测等应用提供了可规模化的训练语料。睡眠相关记录逾五千小时，覆盖多个公开睡眠队列，足以支撑高精度的睡眠纺锤波与分期模型开发。对于脑机接口企业而言，该语料库可用于预训练解码器，再以少量用户特定数据微调，从而缩短产品落地周期。此外，其目录文件支持按采样率与通道数快速筛选，便于针对嵌入式设备定制轻量化模型。

衍生相关工作

自发布以来，Amber已催生若干围绕统一脑电解码与自监督表示学习的研究。部分工作以其为预训练池，探索掩码重建与对比学习在脑电信号上的迁移效能；另一些则利用其丰富的注释事件，构建跨数据集的睡眠分期与异常检测基准。这些衍生研究反过来促进了EEGX格式的采纳，并推动了社区对数据溯源与许可合规的重视，形成数据、格式与算法协同演进的良性循环。