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。如果您发现新的内容，或者深入探索了任何未筛选的链接，请更新仓库。

A list containing all publicly available EEG datasets. This EEG resource list is not exhaustive. If you discover new content 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名具有可区分特征）
   • 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
   • 包括睁眼和闭眼的基线任务、实际运动和想象运动（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1000Hz
   • 涉及7名受试者，包括左手、右手、脚（及空闲状态）

6. BCI Competition IV-2a

   • 22个电极EEG运动想象数据集
   • 涉及9名受试者，每个受试者有288个四秒的想象运动试验

7. BCI Competition IV-2b

   • 3个电极EEG运动想象数据集
   • 涉及9名受试者，包括左手或右手的想象运动，后三个会话包含在线反馈

8. High-Gamma Dataset

   • 128个电极数据集，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个会话

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

   • 19个电极数据，涉及一名受试者
   • 包含各种1D和2D手部运动的实际执行

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
   • 用户评分包括唤醒/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，通过IAPS数据集的子集诱发情绪
   • 包括EEG（64通道）+ fNIRS +面部视频

3. Imagined Emotion

   • 31名受试者，听录音建议的情绪感觉
   • 要求受试者想象情绪场景或回忆他们之前感受到的情绪体验

4. NeuroMarketing

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

5. SEED

   • 15名受试者，观看诱发积极/消极/中性情绪的视频片段
   • 记录62个通道的EEG

6. SEED-IV

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

7. SEED-VIG

   • 在模拟驾驶任务中记录警觉性标签和EEG数据
   • 包括18个电极和眼动追踪

错误相关电位（ErrP）

1. BCI-NER Challenge

   • 26名受试者，56个EEG通道
   • 用于P300拼写器任务，标记数据集用于响应P300正确或不正确解码字母时引发的响应

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
   • 通过玩视频游戏研究执行和结果错误

视觉诱发电位（VEPs）

1. c-VEP BCI

   • 9名受试者，32个EEG通道
   • 用于VEP BCI拼写器（32个字符）任务，标记数据集用于响应与拼写器关联的标签引发的响应

2. c-VEP BCI with dry electrodes

   • 9名受试者，15个干式EEG通道
   • 用于VEP BCI拼写器（32个字符）任务，标记数据集用于响应与拼写器关联的标签引发的响应

3. SSVEP - Visual Search/Discrimination and Handshake

   • 包括3个不同的测试，涉及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，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
   • 用于静息任务，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，在静息状态（闭眼）下记录，使用EPOC+从14个电极记录54秒，采样率128 Hz

音乐与EEG

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

眼动/眨眼

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
   • 记录自愿眼眨（受试者在音频刺激后1秒内自愿眨眼）和非自愿眼眨

其他

1. MNIST Brain Digits

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

2. Imagenet Brain

   • 当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
   • 测试字符随后呈现，参与者通过按钮按压响应测试字符是否匹配数组中的字符

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是一个收集公开EEG数据集的列表，涵盖了多种类型的数据集。其构建主要通过整合网络上可公开获取的EEG资源，并按照不同的研究领域和任务进行分类，如运动想象、情绪识别、错误相关电位等。数据集包含了不同数量的受试者，以及他们在执行特定任务时记录的EEG信号，这些任务包括观看视频、执行运动任务、进行想象练习等。

特点

该数据集的特点在于其多样性和广泛性，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 记录。每个数据集都详细记录了受试者信息、实验设计和EEG信号的采集参数，如电极位置、采样率等。此外，部分数据集还提供了额外的生理信号记录，如眼电信号和肌电图。

使用方法

用户可以根据具体的研究需求选择合适的数据集。使用时，需遵循数据集的下载和引用指南，部分数据集可能需要注册或特殊权限才能访问。数据集通常以CSV、MAT或其他专有格式提供，可以通过相应的软件工具进行读取和分析。用户在进行数据分析和发表研究成果时，应确保遵守数据使用的伦理规范和版权要求。

背景与挑战

背景概述

EEG-Datasets是一个汇总了多种公开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支持。该数据集涵盖了从2004年至2023年的多个研究领域，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、眼动以及临床EEG等。数据集的创建并非由单一研究人员或机构完成，而是多个研究团队和机构共同努力的结果，这些数据集对于理解大脑活动模式、发展脑机接口技术以及情感计算等领域产生了重要影响。

当前挑战

尽管EEG-Datasets提供了丰富的资源，但在使用这些数据集时研究者面临诸多挑战。首先，数据集构建过程中的标准化和一致性问题是主要挑战之一，因为不同的数据集可能采用不同的采集方法和预处理流程。其次，数据标注的质量和一致性也影响研究的准确性。此外，由于EEG信号本身的复杂性，从这些信号中提取有用的信息并建立有效的模型仍然具有挑战性。具体到各个领域，例如在运动想象数据集中，如何准确地区分不同类型的手部运动想象仍然是一个技术难题；在情绪识别数据集中，如何有效地捕捉和分类情绪状态也是一个挑战。

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在脑电图信号处理、特征提取以及脑机接口（BCI）相关的研究中。例如，Motor-Imagery类别的数据集可用于训练机器学习模型，以识别和分类受试者进行左手或右手想象运动时的脑电波模式。

解决学术问题

该数据集解决了脑科学研究中的多个学术问题，如运动想象、情绪识别、错误相关电位和视觉诱发电位等领域的信号处理和分析难题。它为研究人员提供了丰富的数据资源，有助于开发更精确的脑电图信号解析方法和脑机接口系统。

衍生相关工作

基于EEG-Datasets，衍生出了一系列相关的研究工作，如脑电图信号在运动想象、情绪识别和其他认知任务中的分析与应用。这些工作不仅推动了脑电图信号处理技术的发展，也为脑科学研究领域的理论发展和技术创新提供了支持。