EEG-Datasets|脑电图数据集|认知科学数据集

包含所有公开的EEG数据集列表，涵盖了运动想象、情绪识别、错误相关电位、静息状态、音乐与EEG、临床EEG等多个领域。

A comprehensive list of all publicly available EEG datasets, encompassing various domains such as motor imagery, emotion recognition, error-related potentials, resting state, music and EEG, and clinical EEG.

原始信息汇总

数据集概述

运动想象

1. 左/右手运动想象

   • 包含52名受试者（其中38名具有可区分特征的验证受试者）
   • 包含生理和心理问卷结果、EMG数据集、3D EEG电极位置及非任务相关状态的EEG数据

2. 运动动作/想象数据集

   • 包含109名志愿者
   • 64个电极，2个基线任务（睁眼和闭眼），运动动作和运动想象（双手或双脚）

3. 抓握与提升EEG挑战

   • 12名受试者，32通道@500Hz
   • 针对6种抓握与提升事件

情绪识别

1. DEAP

   • 32名受试者，观看1分钟音乐视频片段
   • 用户评级的唤醒/价态/喜欢-不喜欢/支配/熟悉度，以及22/32名受试者的正面脸部录像

2. Enterface06

   • 16名受试者，通过IAPS数据集的子集诱发情绪
   • 包含EEG（64通道）+ fNIRS + 面部视频

3. 想象情绪

   • 31名受试者，听语音录音并要求想象情绪场景或回忆相关经历

4. 神经营销

   • 25名受试者，14个电极
   • 对14个类别的电子商务产品进行喜欢/不喜欢的评价

错误相关电位（ErrP）

1. BCI-NER挑战

   • 26名受试者，56个EEG通道，P300拼写器任务
   • 标记数据集，根据P300解码正确或错误字母时的响应

2. 目标选择任务中的ErrP监测

   • 6名受试者，64个EEG电极
   • 观看光标移动到目标方块，根据光标移动方向正确或错误标记响应

静息状态

1. 静息状态EEG数据
   • 22名受试者，72个EEG通道
   • 8分钟静息任务，其中4分钟闭眼，4分钟睁眼

音乐与EEG

1. 音乐想象信息检索
   • 10名受试者，64个EEG通道
   • 针对12首不同节拍、长度和速度的音乐进行音乐想象任务

临床EEG

1. TUH EEG资源
   • 大量数据，包括异常EEG和EEG癫痫发作

AI搜集汇总

数据集介绍

构建方式

EEG-Datasets数据集的构建基于广泛收集和整理公开的脑电图（EEG）数据资源。该数据集涵盖了多个研究领域，包括运动想象、情绪识别、错误相关电位、静息状态、音乐与EEG以及临床EEG等。每个子数据集均来源于不同的研究项目和实验，确保了数据的多样性和代表性。例如，运动想象数据集包括了左右手运动想象任务的EEG记录，而情绪识别数据集则包含了通过观看音乐视频诱发的情绪反应的EEG数据。这些数据集的构建不仅依赖于实验设计，还包括了对实验参与者的详细记录和生理心理数据的收集，以确保数据的完整性和可靠性。

使用方法

EEG-Datasets数据集的使用方法多样，适用于多种脑电图分析任务。研究者可以根据研究需求选择合适的子数据集，进行特征提取、模式识别和机器学习模型的训练与验证。例如，在运动想象任务中，研究者可以利用EEG数据进行分类算法的研究，以区分不同的运动想象状态。在情绪识别任务中，数据集可以用于开发和测试情绪分类模型。此外，数据集还支持跨领域的研究，如结合EEG和fNIRS数据进行多模态分析。使用该数据集时，研究者应遵循数据的使用许可和伦理要求，确保数据的合法和道德使用。

背景与挑战

背景概述

EEG-Datasets数据集汇集了多个公开的脑电图（EEG）数据集，涵盖了从运动想象、情绪识别到错误相关电位（ErrP）和静息状态等多个研究领域。这些数据集由不同的研究机构和研究人员创建，如英国玛丽女王大学、加州大学圣地亚哥分校等，旨在推动脑机接口（BCI）、神经科学和情感计算等领域的研究。EEG-Datasets的创建为研究人员提供了一个便捷的资源平台，促进了跨学科的合作与创新，尤其是在脑电信号分析和应用方面。

当前挑战

EEG-Datasets面临的挑战主要集中在数据质量和多样性上。首先，不同数据集的采样率、电极数量和实验设计各异，导致数据整合和标准化处理复杂。其次，脑电信号的噪声干扰和个体差异使得特征提取和分类任务极具挑战性。此外，部分数据集的样本量较小，限制了其在深度学习模型中的应用效果。最后，数据隐私和伦理问题也是EEG数据集管理中的重要考量，确保数据使用的合法性和道德性。

常用场景

经典使用场景

EEG-Datasets数据集在脑机接口（BCI）领域中具有广泛的应用，尤其是在运动想象（Motor-Imagery）和情绪识别（Emotion-Recognition）任务中。例如，在运动想象任务中，数据集提供了左右手运动想象的数据，这对于研究脑电信号与运动意图之间的关系至关重要。在情绪识别方面，DEAP数据集通过记录受试者在观看音乐视频时的脑电信号，为情绪状态的分类和识别提供了丰富的数据支持。

解决学术问题

EEG-Datasets数据集解决了脑电信号分析中的多个关键学术问题，特别是在脑机接口和情绪识别领域。通过提供高质量的脑电数据，该数据集帮助研究者探索脑电信号与特定心理状态或行为之间的关联，如运动想象与脑电波形的关系、情绪状态的脑电特征等。这些研究不仅推动了脑机接口技术的发展，还为情绪识别和神经科学研究提供了重要的实验数据。

实际应用

在实际应用中，EEG-Datasets数据集被广泛用于开发和验证脑机接口系统、情绪识别系统和神经反馈治疗等。例如，运动想象数据集可用于训练和测试基于脑电信号的假肢控制算法，而情绪识别数据集则可应用于心理健康监测和市场营销中的消费者情绪分析。此外，错误相关电位（ErrP）数据集在人机交互中的错误检测和反馈系统设计中也有重要应用。

数据集最近研究

最新研究方向

在脑电图（EEG）数据集领域，最新的研究方向主要集中在情感识别、运动想象和错误相关电位（ErrP）的深入分析。情感识别方面，研究者们正利用多模态数据（如EEG与面部视频结合）来提高情感分类的准确性，特别是在跨文化情感识别中的应用。运动想象研究则聚焦于开发更高效的脑机接口（BCI）系统，以实现更自然的运动控制，这在康复医学和虚拟现实领域具有重要应用前景。此外，错误相关电位（ErrP）的研究正在探索其在人机交互中的应用，特别是在实时反馈系统中的潜力，这对于提高用户体验和系统响应速度具有重要意义。这些研究不仅推动了EEG数据分析技术的发展，也为相关领域的实际应用提供了新的可能性。