基于虚拟现实和个人计算机的脑机接口实验数据集

本数据集由GIPSA实验室创建，专注于P300脑机接口（BCI）的研究，通过在普通智能手机为基础的VR设备和个人计算机上实施BCI，比较两种环境下的用户体验和性能。数据集包含21名志愿者的EEG信号，通过标准研究级放大器和16个湿电极采集，数据量丰富，涵盖了从信号采集到用户反馈的全过程。创建过程中，使用了Unity引擎确保视觉刺激的一致性，并通过问卷收集了参与者的主观反馈。数据集主要应用于BCI性能评估和用户体验研究，旨在解决不同环境下BCI的适应性和效率问题。This dataset was developed by GIPSA Laboratory for research on P300-based brain-computer interface (BCI). It implements BCI systems on consumer smartphone-powered VR devices and personal computers, aiming to compare user experience and performance across these two environments. The dataset includes EEG signals from 21 volunteers, collected using a standard research-grade amplifier and 16 wet electrodes, with comprehensive data covering the entire workflow from signal acquisition to participant feedback. During the development process, the Unity Engine was employed to guarantee the consistency of visual stimuli, and questionnaires were used to gather subjective feedback from participants. This dataset is primarily used for BCI performance evaluation and user experience studies, with the objective of resolving the adaptability and efficiency challenges of BCI across different environments.

搜集汇总

数据集介绍

构建方式

该数据集基于P300脑机接口范式构建，旨在对比虚拟现实与个人计算机两种条件下的脑电信号差异。实验招募了21名志愿者，采用VRElegiant头戴设备与华为Mate 7智能手机组成VR系统，PC条件则使用常规显示器。脑电信号通过g.USBamp放大器与16通道湿电极帽采集，电极按照10-10国际系统放置于FP1、FP2等位置，参考电极置于右耳垂，接地电极位于AFZ。采样频率为512 Hz，未施加数字滤波。实验界面为6×6闪烁十字矩阵，受试者需关注红色方形目标。每名受试者完成VR与PC两个随机顺序的会话，每个会话包含12个区块，每区块5次重复，每次重复包含12次闪烁，其中目标闪烁两次。反馈随机生成，正确概率为70%，以消除主观情绪干扰。数据以MAT和CSV格式存储，包含EEG通道、时间戳及事件标记。

使用方法

数据集的使用可通过开源Python代码示例进行，该示例基于MNE和MOABB框架，实现了P300信号分类的完整流程。用户可加载每个受试者的MAT或CSV文件，利用第1列时间戳对齐数据，第18至22列事件标记提取目标与非目标刺激对应的脑电片段。推荐使用1秒时长的信号片段进行epoch提取，并利用标记延迟校正值（PC 38毫秒、VR 117毫秒）对事件相关电位进行时间偏移调整。分类性能可在VR与PC条件下分别评估，以比较两种平台的脑机接口效果。问卷调查数据可通过Questionnaire.mat文件获取，便于结合人口统计学变量（如年龄、性别）及主观评分（如疲劳度、控制感）进行多模态分析。数据集的完整组织方式与头文件信息在Header.mat中提供，确保了数据加载的便捷性与可重复性。

背景与挑战

背景概述

脑机接口（BCI）技术通过解析脑电图（EEG）信号实现人机交互，其中基于P300事件相关电位的范式因其稳定性和准确性而备受关注。然而，传统BCI系统多部署于个人计算机（PC）环境，其沉浸感与生态效度受限。虚拟现实（VR）技术的兴起为BCI提供了更自然的交互场景，但头戴式显示设备（HMD）的计算资源与延迟特性对信号采集构成新考验。2019年3月，法国格勒诺布尔阿尔卑斯大学GIPSA-lab的G. Cattan、A. Andreev、P. L. C. Rodrigues和M. Congedo等人发布了本数据集，旨在系统比较基于普通智能手机的被动式VR头显与PC环境下的P300-BCI性能。研究招募21名志愿者，采用16通道湿电极采集EEG信号，通过Unity引擎统一视觉刺激，并随机化反馈以避免混淆效应。该数据集为评估VR-BCI的可行性与用户体验提供了标准化基准，对推动BCI技术在虚拟现实、康复训练和游戏等领域的应用具有重要参考价值。

当前挑战

数据集所解决的领域问题核心在于：传统PC环境下的P300-BCI虽已成熟，但VR场景中头显设备的计算延迟、屏幕刷新率及传感器漂移会显著影响事件相关电位（ERP）的标记精度与分类性能。具体挑战包括：1）标记延迟差异——PC与VR条件下的平均标记延迟分别为38ms和117ms，需通过时移校正才能实现ERP跨条件对比；2）设备兼容性与信号质量——被动式VR头显依赖智能手机，其惯性测量单元（IMU）易累积漂移，实验中被迫禁用，导致视觉场景固定，削弱了VR的沉浸优势；3）跨模态分类泛化——同一P300分类算法在PC和VR条件下的性能差异需通过统一基准（如MOABB框架）进行量化评估；4）受试者主观体验异质性——问卷结果显示疲劳度、控制感及VR偏好等变量可能混淆BCI性能，需通过随机反馈设计加以控制。

常用场景

经典使用场景

在脑机接口与虚拟现实交叉研究领域，该数据集为探索P300电位在沉浸式环境中的表征特性提供了宝贵资源。研究者常利用此数据集对比传统个人计算机与基于智能手机的虚拟现实头戴设备在诱发事件相关电位时的差异，重点关注刺激呈现方式对脑电信号质量、分类准确率及用户认知负荷的影响。通过分析受试者在两种条件下的脑电数据，可系统评估虚拟现实中视觉刺激的时序延迟、空间布局及沉浸感对P300波幅与潜伏期的调制作用，从而为优化脑机接口在虚拟环境中的交互范式奠定实验基础。

解决学术问题

该数据集有效解决了虚拟现实中脑机接口性能评估的关键学术难题。传统研究多局限于实验室条件下的个人计算机系统，缺乏对移动端虚拟现实设备中脑电信号可靠性的量化分析。通过提供包含标记延迟校正参数、受试者主观问卷及完整脑电通道记录的标准化数据，该数据集使研究者能够精确分离虚拟现实硬件引入的时序误差与真实神经响应，进而论证低成本头戴设备在P300脑机接口应用中的可行性。其意义在于推动脑机接口技术从受控环境向生态效度更高的虚拟现实场景迁移，为后续研究建立基准比较框架。

实际应用

在实际应用层面，该数据集直接支撑了面向普通消费者的脑机接口系统开发。基于智能手机的虚拟现实设备具有低成本、易普及的优势，该数据集验证了此类设备在实现P300拼写器、游戏控制等经典脑机接口任务时的可用性。例如，开发者可据此优化虚拟现实环境中视觉刺激的闪烁模式与反馈机制，提升用户体验与系统鲁棒性。此外，数据集中的主观疲劳度与偏好问卷为设计符合人体工学的脑机接口产品提供了用户行为参考，尤其适用于康复训练、娱乐交互及注意力监测等需要沉浸式体验的场景。

数据集最近研究

最新研究方向

在脑机接口（BCI）领域，随着虚拟现实（VR）技术的迅猛发展，将脑电信号解码与沉浸式交互环境深度融合已成为前沿热点。该数据集聚焦于P300脑机接口在低成本智能手机驱动的VR头显与传统个人计算机（PC）平台上的对比研究，揭示了VR环境下标签延迟（平均117ms）对事件相关电位（ERP）校正的独特挑战，并基于OpenViBE和MNE框架提供了开源分类示例。这一方向紧密关联当前BCI从实验室走向日常应用的关键瓶颈——如何在移动VR设备中维持高精度与低延迟的脑电反馈。研究不仅推动了P300范式在沉浸式游戏、神经康复等场景的实用化，还为评估不同硬件平台对BCI性能的影响提供了标准化基准，对构建普适、低成本的下一代人机交互系统具有深远意义。

相关研究论文

• Dataset of an EEG-based BCI experiment in Virtual Reality and on a Personal Computer

  GIPSA实验室，国家科学研究中心，格勒诺布尔-阿尔卑斯大学，格勒诺布尔理工学院 · 2019年