EEG-Datasets

这是一个包含所有公开EEG数据集的列表。此列表并不全面，如果你发现了新的数据集或深入探索了未筛选的链接，请更新仓库。

This is a list encompassing all publicly available EEG datasets. It should be noted that this list is not exhaustive. Should you discover new datasets or delve into 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名具有可区分特征）
   • 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

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
   • 记录6种抓握和提升事件

4. The largest SCP data of Motor-Imagery

   • 包含60小时的EEG BCI记录，75个记录会话，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，1000Hz采样率，7名受试者
   • 2类动作（左手、右手、脚+空闲状态）

6. BCI Competition IV-2a

   • 22个电极的EEG运动想象数据集，9名受试者，2个会话
   • 每个受试者288个四秒的想象动作试验

7. BCI Competition IV-2b

   • 3个电极的EEG运动想象数据集，9名受试者，5个会话
   • 想象动作包括左手或右手，最后3个会话包含在线反馈

8. High-Gamma Dataset

   • 128个电极数据集，14名健康受试者
   • 约1000个四秒的动作执行试验，分为13个运行

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

   • 19个电极数据，1名受试者，执行各种1D和2D手部动作

10. Imagination of Right-hand Thumb Movement

    • 单个受试者，8个电极，256Hz
    • 记录5秒的想象右手拇指动作和5分钟的休息状态

情绪识别（Emotion-Recognition）

1. DEAP

   • 32名受试者，观看1分钟长的音乐视频片段
   • 根据唤醒/价态/喜欢-不喜欢/支配/熟悉度进行评分

2. Enterface06

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

3. Imagined Emotion

   • 31名受试者，听录音并想象情绪场景或回忆情绪体验

4. NeuroMarketing

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

5. SEED

   • 15名受试者，观看引发正/负/中性情绪的视频片段，62个电极

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，62个电极（含眼动追踪）

7. SEED-VIG

   • 模拟驾驶任务中的警觉性标签，18个电极，含眼动追踪

8. HCI-Tagging

   • 受试者观看视频片段并标注情绪状态，同时记录音频、视频、凝视和生理数据

错误相关电位（ErrP）

1. BCI-NER Challenge

   • 26名受试者，56个EEG通道，P300拼写任务
   • 标记数据集，记录正确或错误字母解码时的反应

2. Monitoring ErrP in a target selection task

   • 6名受试者，64个EEG电极
   • 观看光标移动到目标方块，根据光标移动方向标记反应

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

4. HCI-Tagging

   • 受试者观看图像或电影片段，根据标签是否适用按下绿色或红色按钮，同时记录音频、视频、凝视和生理数据

视觉诱发电位（VEPs）

1. c-VEP BCI

   • 9名受试者，32个EEG通道，VEP BCI拼写器任务
   • 标记数据集，记录与拼写器相关的反应

2. c-VEP BCI with dry electrodes

   • 9名受试者，15个干式EEG通道，VEP BCI拼写器任务
   • 标记数据集，记录与拼写器相关的反应

3. SSVEP - Visual Search/Discrimination and Handshake

   • 包含3个不同测试，30名受试者，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，检查板光模式（异常范式），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，8分钟静息任务，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），14个电极，使用EPOC+记录54秒，128Hz
   • EID-M包含三个试验，EID-S为单个试验数据集

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，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
   • 记录面部感知时的眼动和瞳孔直径，EEG和EOG数据

2. Voluntary-Involuntary Eye-Blinks

   • 20名受试者，14个电极，记录自愿和非自愿眨眼
   • 每个受试者3个会话，每个会话20个试验

3. EEG-eye state

   • 眼状态标记数据，连续EEG记录117秒，包含闭眼和睁眼状态

杂项

1. MNIST Brain Digits

   • 当向受试者展示数字（0-9）时记录的EEG数据，使用Minwave, EPOC, Muse, Insight记录2秒
   • 包含超过1.2M样本

2. Imagenet Brain

   • 向受试者展示随机图像（来自Imagenet ILSVRC2013训练数据集的14k图像之一）时记录的EEG信号，记录3秒
   • 包含超过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），并保持信息3秒
   • 15名学生，64个电极，500Hz采样率

4. Deep Sleep Slow Oscillation

   • 记录10秒，开始于慢振荡结束前10秒，旨在预测慢振荡是否会跟随另一个

5. Genetic Predisposition to Alcoholism

   • 120个试验，120名受试者，64个电极，256Hz
   • 考虑两组受试者，酒精依赖和对照组

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 是一个涵盖多种 EEG 数据集的列表，其构建主要依赖于对公开 EEG 数据集的搜集与整合。数据集包含了运动想象、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、以及其他多种杂项 EEG 数据集。每个数据集的构建都包括了从不同受试者收集的 EEG 信号，以及相应的实验设置和任务。

特点

该数据集的特点在于其多样性，涵盖了从基础的运动想象任务到复杂的情绪识别和临床 EEG 数据。每个数据集都提供了详尽的元数据，包括受试者信息、实验设计、数据采集参数等。此外，部分数据集还提供了针对特定任务的标注，如错误检测、情绪状态等。

使用方法

用户可以通过数据集提供的链接访问并下载数据。在使用数据集时，用户需要遵循相应的数据使用协议和版权声明。部分数据集可能需要注册或特殊权限才能访问。对于包含多个任务或实验条件的数据集，用户应详细阅读数据集描述以了解数据结构和预处理步骤。

背景与挑战

背景概述

EEG-Datasets是一个汇总了多种公共EEG数据集的资源列表，旨在为脑电图相关研究提供丰富的数据基础。该数据集的创建并非出自单一机构或研究人员，而是由全球范围内的研究者共同维护和更新。EEG-Datasets涵盖了从运动想象、情绪识别到错误相关电位等多个领域，其创建时间为不完全明确，但根据数据集的更新和维护情况，可以推断这是一个持续更新的项目。它对脑电图研究领域的影响深远，为相关算法的开发和验证提供了宝贵的实验数据。

当前挑战

尽管EEG-Datasets为研究提供了丰富的数据资源，但在使用过程中也面临着诸多挑战。首先，数据集的多样性和异质性使得数据预处理和标准化成为一大难题。其次，不同数据集在采集设备、采集环境以及预处理方法上的差异，可能导致研究结果的可重复性受到影响。此外，部分数据集的标注质量参差不齐，这可能会对模型的训练和评估造成影响。最后，数据集的规模和复杂性也增加了数据管理和分析的难度。

常用场景

经典使用场景

EEG-Datasets作为脑电图数据集的汇总，其经典使用场景主要集中于脑电图信号的处理与分析。例如，Motor-Imagery类别的数据集常被用于研究运动想象脑控接口（BCI）系统，通过对脑电信号的解码来实现对假肢或计算机光标的控制。

衍生相关工作

基于EEG-Datasets，衍生出了一系列相关研究工作，如脑电图信号处理算法的改进、脑机接口性能的提升、情绪识别准确性的增强等，推动了相关领域的学术进步和技术发展。

数据集最近研究

最新研究方向

在脑电图（EEG）研究领域，最新的研究方向集中在利用Motor-Imagery数据集进行脑机接口（BCI）技术的开发与优化。研究者们致力于通过分析脑电信号来解码用户的想象动作，如左右手的运动想象，以实现对假肢或电脑光标的控制。此外，情绪识别研究正通过EEG数据探索个体在观看音乐视频或执行认知任务时的情绪状态，为情感计算和神经市场营销提供了新的视角。错误相关电位（ErrP）的研究则关注于错误监测和纠正，通过分析执行错误或结果错误时的脑电信号，旨在提高BCI系统的准确性和可靠性。这些研究不仅推动了BCI技术的发展，也为认知科学和神经科学领域提供了宝贵的洞见。