EEG-Datasets

一个包含所有公开EEG数据集的列表。这个EEG资源列表并不全面。如果你发现了新的数据集，或者深入探索了任何未筛选的链接，请更新仓库。

A comprehensive list of all publicly available EEG datasets. This EEG resource list is not exhaustive. If you discover new datasets or delve deeper into any unfiltered links, please update the repository.

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名有效）的数据，包括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。
   • 链接：Left/Right Hand MI

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），以及运动和想象运动（双手或双脚）的数据。
   • 链接：Motor Movement/Imagery Dataset

3. Grasp and Lift EEG Challenge

   • 包含12名受试者，32通道@500Hz，记录了6种抓握和提升事件的EEG数据。
   • 链接：Grasp and Lift EEG Challenge

4. The largest SCP data of Motor-Imagery

   • 包含13名参与者的60小时EEG BCI记录，60,000次心理想象，4种BCI交互范式。
   • 链接：The largest SCP data of Motor-Imagery

5. BCI Competition IV-1

   • 包含7名受试者，64个EEG通道，1000Hz采样率，2类左手、右手、脚（+空闲状态）的数据。
   • 链接：BCI Competition IV-1

6. BCI Competition IV-2a

   • 包含9名受试者，22个电极EEG运动想象数据集，每个受试者288个四秒试验。
   • 链接：BCI Competition IV-2a

7. BCI Competition IV-2b

   • 包含9名受试者，3个电极EEG运动想象数据集，5个会话的想象运动数据。
   • 链接：BCI Competition IV-2b

8. High-Gamma Dataset

   • 包含14名健康受试者，128个电极数据集，约1000个四秒试验，分为13个运行。
   • 链接：High-Gamma Dataset

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

   • 包含1名受试者，19个电极数据，多种1D和2D手部运动（实际执行）的数据。
   • 链接：Left/Right Hand 1D/2D movements

10. Imagination of Right-hand Thumb Movement

    • 包含1名受试者，8个电极，256Hz，想象右手拇指运动的5秒数据。
    • 链接：Imagination of Right-hand Thumb Movement

11. Mental-Imagery Dataset

    • 包含13名参与者，超过60,000次运动想象，4种交互范式，38个医疗级EEG通道。
    • 链接：Mental-Imagery Dataset

情绪识别（Emotion-Recognition）

1. DEAP

   • 包含32名受试者，观看1分钟音乐视频片段，用户评级的唤醒/价/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。
   • 链接：DEAP

2. Enterface06

   • 包含16名受试者，情绪通过IAPS数据集的子集诱发，包括EEG（64通道）+ fNIRS +面部视频。
   • 链接：Enterface06

3. Imagined Emotion

   • 包含31名受试者，通过听录音建议的情绪感觉，并要求想象情绪场景或回忆他们之前感受到的情绪。
   • 链接：Imagined Emotion

4. NeuroMarketing

   • 包含25名受试者，14个电极，对14个类别的电子商务产品（每个类别3张图片）的喜欢/不喜欢。
   • 链接：NeuroMarketing

5. SEED

   • 包含15名受试者，通过观看视频片段诱发正/负/中性情绪，并记录62通道的EEG。
   • 链接：SEED

6. SEED-IV

   • 包含15名受试者，通过观看视频片段诱发快乐/悲伤/中性/恐惧情绪，并记录62通道的EEG（含眼动追踪）。
   • 链接：SEED-IV

7. SEED-VIG

   • 包含18名受试者，在模拟驾驶任务中记录EEG数据，包括18个电极和眼动追踪。
   • 链接：SEED-VIG

8. HCI-Tagging

   • 受试者观看视频片段（电影片段），并要求在价和唤醒的范围内注释情绪状态。实验期间，音频、视频、注视数据和生理数据同时记录，传感器之间精确同步。
   • 链接：HCI-Tagging

9. Regulation of Arousal

   • 包含18名受试者，通过在线飞行模拟器研究，使用三种不同的音频反馈（沉默、假和BCI）。
   • 链接：Regulation of Arousal

错误相关电位（ErrP）

1. BCI-NER Challenge

   • 包含26名受试者，56个EEG通道，P300拼写器任务，以及当P300解码正确或不正确字母时引发的响应标记数据集。
   • 链接：BCI-NER Challenge

2. Monitoring ErrP in a target selection task

   • 包含6名受试者，64个EEG电极，观看光标移动到目标方块，并根据光标移动的正确或错误方向标记响应。
   • 链接：Monitoring ErrP in a target selection task

3. ErrPs during continuous feedback

   • 包含10名受试者，28个EEG电极，通过玩视频游戏研究执行和结果错误。
   • 链接：ErrPs during continuous feedback

4. HCI-Tagging

   • 受试者观看带有屏幕底部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。然而，在其他情况下，标签并不真正适用于媒体项。每次观看后，参与者被要求按下绿色按钮，如果他们同意标签适用于媒体项，或者按下红色按钮，如果不同意。在整个实验过程中，音频、视频、注视数据和生理数据同时记录，传感器之间精确同步。
   • 链接：HCI-Tagging

视觉诱发电位（VEPs）

1. c-VEP BCI

   • 包含9名受试者，32个EEG通道，VEP BCI拼写器（32个字符）任务，以及与拼写器关联的标签引发的响应标记数据集。
   • 链接：c-VEP BCI

2. c-VEP BCI with dry electrodes

   • 包含9名受试者，15个干EEG通道，VEP BCI拼写器（32个字符）任务，以及与拼写器关联的标签引发的响应标记数据集。
   • 链接：c-VEP BCI with dry electrodes

3. SSVEP - Visual Search/Discrimination and Handshake

   • 包含3个不同的测试，（i）五盒视觉测试：注意和未注意的圆盘和方形刺激，（ii）自然图像内的视觉搜索：在黑白自然图像中搜索黄色点刺激，（iii）握手测试：显示左手/右手闭合/打开图像。30名受试者，14个电极。
   • 链接：SSVEP - Visual Search/Discrimination and Handshake

4. Synchronized Brainwave Dataset

   • 包含15人，呈现2种不同的视频刺激，包括眨眼、放松、心理数学、计数彩色盒子，以及观看超级碗广告。
   • 链接：Synchronized Brainwave Dataset

事件相关电位（ERPs）

1. Pattern Visual Evoked Potentials

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

2. Face vs. House Discrimination

   • 包含7名癫痫受试者，呈现50个灰度刺激，每个面部和房屋图片。对于每个受试者，总共进行了3次实验运行，产生了300次刺激。
   • 链接：Face vs. House Discrimination

3. Target Versus Non-Target

   • 包含25名受试者，测试Brain Invaders，一种使用奇异范式的视觉P300脑-计算机接口。16个电极，湿。
   • 链接：Target Versus Non-Target

4. Target Versus Non-Target

   • 包含24名受试者，玩Brain Invaders，一种使用奇异范式的视觉P300脑-计算机接口。16个电极，湿。最多8个会话每受试者。两种实验条件：使用和不使用黎曼几何的自适应校准。
   • 链接：Target Versus Non-Target

5. Target Versus Non-Target

   • 包含71名受试者，玩Brain Invaders，一种使用奇异范式的视觉P300脑-计算机接口，具有自适应黎曼几何（无校准）。16个电极，干。
   • 链接：Target Versus Non-Target

6. Target Versus Non-Target

   • 包含38名受试者，玩多人协作版本的Brain Invaders，一种使用奇异范式的视觉P300脑-计算机接口，具有自适应黎曼几何（无校准）。每个受试者32个电极，湿，每个会话2名受试者。
   • 链接：Target Versus Non-Target

7. Target Versus Non-Target

   • 包含50名受试者，玩Brain Invaders，一种使用奇异范式的视觉P300脑-计算机接口，具有自适应黎曼几何（无校准）。32个电极，湿。每受试者3个会话，闪光持续时间可调。
   • 链接：Target Versus Non-Target

8. Target Versus Non-Target

   • 包含44名受试者，玩多人（合作和竞争）版本的Brain Invaders，一种使用奇异范式的视觉P300脑-计算机接口，具有自适应黎曼几何（无校准）。每个受试者32个电极，湿，每个会话2名受试者。
   • 链接：Target Versus Non-Target

9. Impedance Data

   • 包含12名受试者，P300任务（奇异范式），20%稀有刺激。总共有128个目标刺激和512个标准刺激。数据集以一种方式收集，即一次记录包含电极的不同阻抗。
   • 链接：Impedance Data

10. Sustained-Attention Driving

    • 包含27名受试者，在VR设置中进行持续注意力驾驶，以监控事件相关电位。每个受试者参加了两个90分钟的会话（无和有本体感受反馈），并使用32通道和500Hz记录。
    • 链接：Sustained-Attention Driving

11. Dryad-Speech

    • 包含5个不同的实验，用于通过各种任务研究自然语音理解，包括音频、视觉刺激和想象语音。（i）有声书版本的流行20世纪中叶美国小说 - 19名受试者，（ii）以相同顺序呈现相同的试验，但每个28个语音段都以相反的方式播放，（iii）N400实验：受试者阅读300个句子，其中一半以不一致的单词结束 - ，（iv）鸡尾酒会实验：33名受试者进行了30次试验，每次60秒，他们被呈现两个经典小说：一个在左耳，另一个在右耳。受试者被分为两组，每组17和16（+1排除的受试者），每组被指示在整个30次试验中关注左耳或右耳的故事，（v）多感官实验：刺激来自一组视频，其中包含一个男性以对话方式说美国英语。
    • 链接：Dryad-Speech

慢皮层电位（SCPs）

1. Mental-Imagery Dataset
   • 包含13名参与者，超过60,000次运动想象，4种交互范式，38个医疗级EEG通道。它包含最多6种心理想象的数据，主要用于运动动作。
   • 链接：[Mental-Imagery Dataset](https://figshare.com/collections/A_large_electroencephalographic_motor_imagery_dataset_for_electroence

搜集汇总

数据集介绍

构建方式

EEG-Datasets的构建基于多个公开的脑电图（EEG）数据集，涵盖了运动想象、情绪识别、错误相关电位、视觉诱发电位等多个领域。每个数据集均通过实验设计，使用不同数量的电极和采样率，记录受试者在特定任务下的脑电活动。数据集的构建过程包括受试者的招募、实验任务的执行、脑电信号的采集与预处理，最终形成结构化的数据集供研究使用。

特点

EEG-Datasets的特点在于其多样性和广泛的应用领域。数据集涵盖了从运动想象到情绪识别的多种脑电活动，且每个数据集均提供了详细的实验设计和数据描述。数据集中的脑电信号通常以高采样率记录，确保了数据的精确性和可靠性。此外，部分数据集还包含了同步的生理数据（如眼动、肌电等），为多模态研究提供了丰富的资源。

使用方法

EEG-Datasets的使用方法主要包括数据下载、预处理和分析。用户可以通过GitHub页面提供的链接访问各个数据集，并根据研究需求选择合适的数据集。数据预处理通常包括滤波、去噪和特征提取等步骤，以便于后续的机器学习或深度学习模型训练。分析过程中，用户可以根据数据集提供的标签进行监督学习，或通过无监督方法探索脑电信号的内在模式。

背景与挑战

背景概述

EEG-Datasets 是一个汇集了多种公开脑电图（EEG）数据集的资源库，涵盖了运动想象、情绪识别、错误相关电位、视觉诱发电位等多个研究领域。该数据集的创建旨在为脑机接口（BCI）和神经科学研究提供丰富的数据支持。数据集的主要贡献者包括多个研究机构和实验室，如BCI Competition IV、DEAP、SEED等。这些数据集不仅为脑电信号的分析提供了基础，还推动了脑机接口技术的发展，尤其是在运动控制和情绪识别等领域的应用。

当前挑战

EEG-Datasets 面临的挑战主要体现在两个方面。首先，脑电信号的高噪声和低信噪比使得数据预处理和特征提取变得复杂，尤其是在多通道数据中，如何有效去除伪迹和提取有用信息是一个关键问题。其次，数据集的构建过程中，实验设计的多样性和数据采集的标准化问题也带来了挑战。不同实验条件下的数据格式、采样率和电极配置差异较大，导致数据整合和跨数据集分析的难度增加。此外，如何确保数据的可重复性和泛化能力，尤其是在不同受试者之间的差异性处理上，也是当前研究中的一大难题。

常用场景

经典使用场景

EEG-Datasets广泛应用于脑机接口（BCI）研究，特别是在运动想象（Motor Imagery）和情感识别（Emotion Recognition）领域。通过分析脑电图（EEG）信号，研究者能够解码大脑活动，进而实现对外部设备的控制或情感状态的识别。例如，在运动想象任务中，受试者通过想象左右手的运动来生成特定的脑电信号，这些信号被用于训练分类模型，以实现对机械臂或轮椅的控制。

实际应用

EEG-Datasets在实际应用中具有广泛的前景。在医疗领域，这些数据集被用于开发辅助设备，帮助瘫痪患者通过脑电信号控制外部设备，如轮椅或假肢。在神经反馈训练中，EEG数据被用于监测和调节个体的情绪状态，帮助治疗焦虑症和抑郁症。此外，情感识别数据集在市场营销和用户体验研究中也有重要应用，通过分析消费者对广告或产品的脑电反应，优化营销策略。

衍生相关工作

EEG-Datasets催生了大量经典研究工作。例如，基于BCI Competition IV数据集的研究推动了运动想象分类算法的进步，提出了多种基于深度学习的信号处理方法。DEAP数据集则促进了情感计算领域的发展，研究者开发了多种情感识别模型，能够从脑电信号中准确提取情感特征。此外，High-Gamma数据集的研究成果为高精度脑机接口系统的设计提供了理论支持，推动了多通道脑电信号处理技术的发展。