EEG-Datasets

这是一个包含多个公开EEG数据集的列表，涵盖了从运动想象到情绪识别等多种类型的数据集，每个数据集都有详细的描述和链接。

This is a list comprising multiple publicly available EEG datasets, encompassing a variety of types from motor imagery to emotion recognition. Each dataset is accompanied by detailed descriptions and links.

原始信息汇总

数据集概述

运动想象（Motor-Imagery）

1. Left/Right Hand MI

   • 包含52名受试者（其中38名具有鉴别特征的验证受试者）
   • 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. Motor Movement/Imagery Dataset

   • 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. Grasp and Lift EEG Challenge

   • 12名受试者，32通道@500Hz
   • 包含6种抓握和提起事件的EEG数据

4. The largest SCP data of Motor-Imagery

   • 包含60小时的EEG BCI记录，跨75个记录会话，涉及13名参与者
   • 包含60,000次心理想象和4种BCI交互范式

5. BCI Competition IV-1

   • 64个EEG通道，采样率为1000Hz，涉及7名受试者
   • 包含左手、右手、脚（+空闲状态）的2类数据

6. BCI Competition IV-2a

   • 22个电极的EEG运动想象数据集，涉及9名受试者和2个会话
   • 每个受试者包含288个四秒的想象运动试验

7. BCI Competition IV-2b

   • 3个电极的EEG运动想象数据集，涉及9名受试者和5个会话
   • 后三个会话包含在线反馈

8. High-Gamma Dataset

   • 128个电极的数据集，来自14名健康受试者
   • 包含约1000个四秒的执行运动试验，分为13个运行

9. Left/Right Hand 1D/2D movements

   • 19个电极的数据，来自一名受试者，包含各种1D和2D手部运动（实际执行）

10. Imagination of Right-hand Thumb Movement

    • 单个受试者，8个电极，256Hz采样率
    • 包含想象右手拇指运动和休息状态的EEG数据

情绪识别（Emotion-Recognition）

1. DEAP

   • 包含32名受试者，观看1分钟长的音乐视频片段
   • 用户评定的唤醒/价态/喜欢-不喜欢/支配/熟悉度，以及22/32名受试者的正面面部记录

2. Enterface06

   • 包含16名受试者，EEG（64通道）+ fNIRS +面部视频
   • 情绪通过IAPS数据集的精选子集引发

3. Imagined Emotion

   • 31名受试者，听语音录音，想象情感场景或回忆情感体验

4. NeuroMarketing

   • 25名受试者，14个电极
   • 对电子商务产品的喜欢/不喜欢，涵盖14个类别，每个类别3张图片

5. SEED

   • 15名受试者，观看引发积极/消极/中性情绪的视频片段，EEG记录在62个通道上

6. SEED-IV

   • 15名受试者，观看引发快乐/悲伤/中性/恐惧情绪的视频片段，EEG记录在62个通道上（含眼动追踪），每个受试者3个会话，每个会话24个试验

7. SEED-VIG

   • 包含警觉标签的EEG数据，模拟驾驶任务，18个电极和眼动追踪

8. HCI-Tagging

   • 受试者观看视频片段（电影片段），并要求按价态和唤醒度标注情绪状态
   • 实验期间，音频、视频、凝视数据和生理数据同时记录，传感器之间精确同步

错误相关电位（ErrP）

1. BCI-NER Challenge

   • 26名受试者，56个EEG通道，P300拼写器任务
   • 标记数据集，响应引发当P300解码正确或不正确字母时的反应

2. Monitoring ErrP in a target selection task

   • 6名受试者，64个EEG电极，观看光标向目标方块移动
   • 根据光标移动的正确或错误方向标记响应

3. ErrPs during continuous feedback

   • 10名受试者，28个EEG电极，玩视频游戏以研究执行和结果错误
   • 包含连续错误电位数据集的两个部分

4. HCI-Tagging

   • 受试者观看带有底部屏幕标签的图像或电影片段
   • 在某些情况下，标签正确描述了情况，而在其他情况下则不适用
   • 实验期间，音频、视频、凝视数据和生理数据同时记录，传感器之间精确同步

视觉诱发电位（VEPs）

1. c-VEP BCI

   • 9名受试者，32个EEG通道，VEP BCI拼写器（32个字符）任务
   • 标记数据集，响应引发与拼写器关联的标签

2. c-VEP BCI with dry electrodes

   • 9名受试者，15个干EEG通道，VEP BCI拼写器（32个字符）任务
   • 标记数据集，响应引发与拼写器关联的标签

3. SSVEP - Visual Search/Discrimination and Handshake

   • 包含3个不同的测试，涉及30名受试者和14个电极
   • 测试包括五箱视觉测试、自然图像内的视觉搜索和握手测试

事件相关电位（ERPs）

1. Pattern Visual Evoked Potentials
   • 2名受试者，用于检查板光模式（奇异范式），记录在O1位置

静息状态

1. Resting State EEG Data

   • 22名受试者，72个EEG通道，静息任务8分钟，包括4分钟闭眼和4分钟睁眼

2. EID-M, EID-S

   • 8名受试者，静息状态（闭眼），从14个电极使用EPOC+记录，54秒，128Hz（每个7000样本）
   • EID-M包含三个试验，EID-S是单个试验数据集

音乐与EEG

1. Music Imagery Information Retrieval
   • 10名受试者，64个EEG通道，音乐想象任务，涉及12首不同节拍、长度和速度的曲目

眨眼/运动

1. Involuntary Eye Movements during Face Perception

   • 26个电极，500Hz采样率，120个试验
   • 当受试者面对屏幕上的快乐/悲伤/愤怒面孔时，记录眼动和瞳孔直径，EEG和EOG数据

2. Voluntary-Involuntary Eye-Blinks

   • 20名受试者，14个电极，自愿眨眼（受试者在音频刺激后1秒内自愿眨眼）和非自愿眨眼（自然）
   • 每个受试者，3个会话，每个会话20个试验，.mat格式

3. EEG-eye state

   • 眼状态标记数据，一个连续的EEG记录，117秒，包含闭眼和睁眼状态的标记

其他

1. MNIST Brain Digits

   • 当向受试者展示数字（0-9）时，记录EEG数据，使用Minwave、EPOC、Muse、Insight记录2秒，单个受试者，超过1.2M样本

2. Imagenet Brain

   • 随机展示来自Imagenet ILSVRC2013训练数据集的14k图像之一，记录EEG信号3秒，单个受试者，超过70k样本

3. Working Memory

   • 参与者短暂观察包含多个英文字符的数组（500ms），并维持信息三秒
   • 测试字符呈现后，参与者通过按钮响应是否测试字符匹配数组中的字符
   • 15名学生，64个电极，500Hz采样率，仅公开一小部分数据

4. Deep Sleep Slow Oscillation

   • 10秒的记录，开始于慢振荡结束前10秒
   • 数据记录的目标是预测在无任何刺激的假条件下，慢振荡是否会跟随另一个慢振荡

5. Genetic Predisposition to Alcoholism

   • 120个试验，120名受试者，64个电极，256Hz采样率
   • 考虑了两组受试者，酒精依赖者和对照组

临床EEG

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

搜集汇总

数据集介绍

构建方式

EEG-Datasets数据集的构建方式主要通过收集和整理公开的脑电图（EEG）数据集。这些数据集涵盖了多种实验场景，包括运动想象、情绪识别、错误相关电位、视觉诱发电位、事件相关电位、静息状态、音乐与EEG、眼动和眨眼、以及其他多种实验任务。每个数据集都详细记录了实验参与者的数量、电极数量、采样率、实验任务类型以及相关的生理和心理数据。这些数据集的多样性和详细记录为研究者提供了丰富的资源，以便进行深入的脑电图分析和应用研究。

特点

EEG-Datasets数据集的特点在于其广泛的覆盖范围和详细的实验记录。数据集包含了从运动想象到情绪识别等多种脑电图应用场景，涵盖了从基础研究到应用研究的多个领域。每个数据集都提供了详细的实验设置和数据结构，使得研究者能够轻松地进行数据分析和模型训练。此外，数据集的多样性也为跨领域的研究提供了可能性，例如结合脑电图数据与行为数据进行综合分析。

使用方法

使用EEG-Datasets数据集时，研究者可以根据研究需求选择合适的子数据集。首先，研究者需要下载所需的数据集，并根据数据集的README文件了解数据的结构和实验设置。然后，可以使用各种数据处理和分析工具对数据进行预处理，如滤波、去噪和特征提取。最后，研究者可以利用这些处理后的数据进行模型训练和验证，以实现特定的研究目标，如脑机接口的开发或情绪识别系统的构建。

背景与挑战

背景概述

EEG-Datasets数据集是一个汇集了多个公开脑电图（EEG）数据集的资源库，涵盖了从运动想象、情绪识别到错误相关电位等多个研究领域。该数据集的创建旨在为脑机接口（BCI）、神经科学和心理学等领域的研究人员提供丰富的实验数据。主要研究人员和机构通过收集和整理这些数据，推动了脑电图在不同应用场景中的研究进展。核心研究问题包括脑电信号的分类、情绪识别、运动想象等，这些研究对理解人类大脑活动模式和开发新型脑机接口技术具有重要意义。

当前挑战

EEG-Datasets数据集面临的挑战主要集中在数据质量和多样性上。首先，脑电信号的采集过程复杂，容易受到环境噪声和个体差异的影响，导致数据质量参差不齐。其次，不同数据集的采样率、电极数量和实验设计各异，增加了数据整合和分析的难度。此外，脑电信号的非线性和非平稳特性使得特征提取和模式识别成为一大挑战。最后，数据集的多样性虽然丰富了研究内容，但也要求研究人员具备跨领域的知识和技能，以充分利用这些数据进行深入研究。

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，数据集中的Motor Movement/Imagery Dataset包含了109名志愿者的脑电图数据，适用于研究运动想象任务中的脑电信号特征提取与分类。此外，DEAP数据集则专注于情绪识别，通过记录观看音乐视频时的脑电信号，研究情绪与脑电活动之间的关系。

衍生相关工作

EEG-Datasets数据集的发布催生了许多相关研究工作，尤其是在脑电信号处理和机器学习领域。例如，基于Motor Movement/Imagery Dataset的研究工作提出了多种脑电信号特征提取和分类算法，显著提升了运动想象任务的识别准确率。此外，DEAP数据集的相关研究则推动了情绪识别技术的进步，为情绪计算和情感智能的发展提供了重要支持。

数据集最近研究

最新研究方向

近年来，EEG-Datasets数据集在脑机接口（BCI）和神经科学领域引起了广泛关注。特别是在运动想象（Motor-Imagery）和情绪识别（Emotion-Recognition）方面，研究者们利用该数据集探索了高级算法在脑电信号处理中的应用。例如，运动想象数据集被用于开发更精确的BCI系统，以帮助瘫痪患者通过思维控制外部设备。同时，情绪识别数据集则推动了情感计算和神经市场营销的发展，通过分析脑电信号来识别和预测用户的情绪状态。这些研究不仅提升了脑电信号的解析精度，还为个性化医疗和用户体验优化提供了新的可能性。