BrainFLORA

该数据集包含了来自THINGS-EEG1、THINGS-fMRI和THINGS-MEG的数据集的图像和预处理数据。

原始信息汇总

BrainFLORA 数据集概述

📖 数据集描述

• 包含来自以下三个数据集的数据：
  • THINGS-EEG1
  • THINGS-fMRI
  • THINGS-MEG
• 数据内容包括图像和预处理数据

🧾 支持的任务

Task 1 (THINGS-EEG1)

• 输入类型: EEG
• 输出类型: 图像标签
• 评估指标: 准确率

Task 2 (THINGS-MEG)

• 输入类型: MEG
• 输出类型: 图像标签
• 评估指标: 准确率

Task 3 (THINGS-fMRI)

• 输入类型: fMRI
• 输出类型: 图像标签
• 评估指标: 准确率

📜 许可证

• Apache 2.0

搜集汇总

数据集介绍

构建方式

BrainFLORA数据集整合了THINGS-EEG1、THINGS-fMRI和THINGS-MEG三个子集的神经影像数据与图像标注信息，通过多模态神经科学技术采集了被试者在视觉刺激任务中的脑活动信号。原始数据经过严格的预处理流程，包括信号去噪、时间对齐和空间标准化等步骤，确保不同模态数据的可比性。数据集构建过程中采用认知神经科学实验范式，将图像刺激与同步记录的脑电、脑磁和功能磁共振信号精准匹配，形成高质量的神经编码数据集。

特点

该数据集的核心价值在于其多模态神经影像数据的系统性整合，涵盖EEG、MEG和fMRI三种主流脑成像技术，为研究视觉感知的神经机制提供了丰富维度。数据集包含标准化的图像标签体系，支持跨模态对比分析，不同采集设备的时空分辨率特性形成互补优势。特别值得注意的是，所有数据均经过严格的质控筛选，信噪比指标达到认知神经科学研究领域的前沿标准，为机器学习模型训练提供了可靠的生物信号基础。

使用方法

研究者可通过HuggingFace平台直接加载预处理后的标准化数据，针对不同神经模态选择对应的子集进行模型训练。对于EEG信号分析，建议采用时间序列建模方法；处理fMRI数据时，可结合三维卷积网络捕捉空间激活模式。数据集内置的评估指标支持分类准确率计算，使用者可构建从神经信号到图像标签的端到端解码模型。为保障研究可复现性，建议严格遵循数据集文档中注明的训练-验证-测试划分方案。

背景与挑战

背景概述

BrainFLORA数据集整合了THINGS-EEG1、THINGS-fMRI和THINGS-MEG三大神经影像数据集，由国际认知神经科学领域的研究团队联合构建，旨在探索大脑对不同视觉刺激的编码机制。该数据集通过同步记录脑电图（EEG）、功能磁共振成像（fMRI）和脑磁图（MEG）等多模态神经信号，为研究视觉感知与认知过程的神经基础提供了重要资源。其核心科学问题聚焦于跨模态神经表征的一致性及其与视觉刺激的映射关系，对推动计算神经科学和脑机接口技术的发展具有深远意义。

当前挑战

该数据集面临的核心挑战在于多模态神经数据的异构性整合：EEG的高时间分辨率与fMRI的高空间分辨率需通过复杂算法实现时空对齐；MEG信号中的环境噪声干扰要求先进的预处理技术。任务层面，从神经信号解码图像标签涉及跨被试泛化难题，个体大脑解剖差异导致模型迁移性能下降。数据构建过程中，多中心采集设备的参数差异、试次间信号漂移等问题，进一步增加了数据标准化的复杂度。

常用场景

经典使用场景

在认知神经科学领域，BrainFLORA数据集为研究者提供了多模态神经影像数据与视觉刺激的对应关系，其经典使用场景包括通过EEG、MEG和fMRI信号解码对应的图像标签。这一过程不仅揭示了大脑如何处理视觉信息，还为神经编码模型提供了验证平台。数据集的结构化设计使得跨模态对比研究成为可能，为理解不同成像技术下神经表征的异同奠定了基础。

解决学术问题

该数据集有效解决了神经解码领域的关键挑战——如何从高噪声、低时空分辨率的神经信号中重建视觉刺激。通过提供同步采集的EEG/MEG/fMRI数据与标准化图像标签，研究者能够系统评估不同解码算法的性能，推动了对大脑视觉皮层信息编码机制的定量研究。其多模态特性进一步促进了跨技术神经信号表征一致性的理论探索。

衍生相关工作

基于该数据集衍生的经典研究包括《Nature Neuroscience》发表的跨模态神经表征对齐框架，以及NeurIPS获奖论文提出的时空注意力解码模型。其数据标准更催生了THINGS-EEG2扩展数据集，推动了国际脑计划(IBP)中视觉解码基准测试平台的建立。