AAD ear EEG-based dataset

本研究介绍了一个新的听觉注意力解码（AAD）数据集，其中同时记录了头皮、耳周和耳内脑电图（EEG），允许直接比较三种系统。数据集包含15名参与者，每个参与者在选择性听觉注意力实验中同时记录了三种不同的EEG信号。实验包括六个10分钟的试验，每个试验要求参与者关注两个竞争的语音信号之一。数据集旨在促进基于耳的AAD算法的开发，并允许研究人员直接比较不同EEG系统的性能。此外，数据集还允许开发定制的预处理流程和AAD算法，以优化耳部EEG系统的性能。

This study introduces a novel Auditory Attention Decoding (AAD) dataset that simultaneously records scalp, periauricular, and intra-aural electroencephalography (EEG), enabling direct comparison of these three recording systems. The dataset consists of 15 participants, with three distinct EEG signals recorded simultaneously for each participant during a selective auditory attention experiment. The experiment comprises six 10-minute trials, each requiring the participant to attend to one of two competing speech signals. This dataset aims to facilitate the development of ear-based AAD algorithms, and allows researchers to directly compare the performance of different EEG recording systems. Additionally, the dataset enables the development of customized preprocessing pipelines and AAD algorithms to optimize the performance of ear-based EEG systems.

搜集汇总

数据集介绍

构建方式

该数据集通过同步记录头皮、耳周和耳内脑电图（EEG）来构建，旨在直接比较三种EEG系统在听觉选择性注意解码（AAD）中的表现。实验设计包括15名正常听力的丹麦母语者，每位参与者参与六次10分钟的听觉注意任务，其中需在双语音流中选择性注意其中一条。实验采用插入式耳机播放空间模拟的语音信号，并通过两种视觉条件（视频或固定点）平衡注意力分配。EEG数据通过两个TMSi Mobita放大器同步采集，采样率为1000Hz，头皮EEG使用32个湿电极（10-20系统），耳周EEG采用19个电极的3D打印柔性阵列，耳内EEG则使用12个干电极嵌入定制耳模。数据预处理包括带通滤波（1-9Hz）、眼电伪迹去除（仅头皮EEG）、坏道修复及降采样至20Hz。

使用方法

该数据集适用于开发与优化基于EEG的听觉注意力解码算法，尤其聚焦于可穿戴系统的性能提升。研究者可利用其多模态特性进行跨传感器融合分析，例如通过早期整合策略联合头皮与耳基EEG通道。标准化的预处理流程（如1-9Hz滤波、ASR去噪）和公开的刺激重建算法代码为方法复现提供基础。评估时建议采用严格的留一试验或留一参与者交叉验证以避免过拟合。对于耳基EEG，可探索参考电极策略（如同耳平均参考）或结合少量头皮电极的传感器网络设计以提升性能。数据集还可用于迁移学习研究，例如利用高密度头皮EEG数据提升耳内EEG解码模型的泛化能力。

背景与挑战

背景概述

AAD ear EEG-based dataset是由Simon Geirnaert等人于2025年提出的一个专注于听觉注意力解码（AAD）的脑电图数据集。该数据集由比利时鲁汶大学和丹麦奥胡斯大学的研究团队共同创建，旨在解决当前助听设备在复杂声学环境中无法适应听者听觉注意力的问题。通过同时记录头皮、耳周和耳内EEG信号，该数据集为研究可穿戴式EEG系统在听觉注意力解码中的应用提供了重要资源。这一研究对神经工程和助听设备领域具有深远影响，为开发更智能、更舒适的神经导向助听设备奠定了基础。

当前挑战

AAD ear EEG-based数据集面临的主要挑战包括两个方面：领域问题的挑战和构建过程的挑战。在领域问题方面，该数据集旨在解决听觉注意力解码中的信号质量问题，尤其是耳内EEG信号的信噪比低、空间覆盖有限等问题，这导致解码准确率显著低于传统头皮EEG。在构建过程中，研究人员面临同时记录三种EEG信号的同步难题，以及耳内电极个性化适配带来的信号一致性挑战。此外，如何在保证信号质量的同时提高系统的舒适性和实用性，也是数据集构建中需要权衡的关键问题。

常用场景

经典使用场景

AAD ear EEG-based数据集在神经科学和听觉注意力解码领域具有重要应用价值。该数据集通过同步记录头皮、耳周和耳内EEG信号，为研究者在复杂声学环境下解码听觉注意力提供了全面的数据支持。经典使用场景包括开发新型神经引导助听设备，这些设备能够根据使用者的听觉注意力动态调整声音增强策略，从而在鸡尾酒会等多说话者环境中显著提升语音理解能力。

解决学术问题

该数据集有效解决了听觉注意力解码研究中几个关键学术问题。首先，它填补了耳内EEG在AAD研究中缺乏系统性评估的空白，首次实现了无外部参考电极的纯耳内EEG解码。其次，通过三种EEG系统的直接对比，量化了性能与可穿戴性之间的权衡关系，为可穿戴脑电设备的优化设计提供了理论依据。最后，数据集揭示了前额中央区参考电极对提升耳基EEG解码性能的重要作用，为构建混合EEG传感器网络指明了方向。

实际应用

在实际应用层面，该数据集推动了隐蔽式脑机接口技术的发展。基于耳周和耳内EEG的系统可无缝集成至助听器或耳机中，实现全天候的注意力监测。在临床领域，这种技术可帮助听力障碍患者在复杂声学环境中更好地聚焦目标语音。教育场景中则可开发注意力评估系统，而消费电子领域可打造能感知用户注意力的智能音频设备。虽然当前解码精度在短时窗下尚有局限，但在长时注意力监测场景已展现实用价值。

数据集最近研究

最新研究方向

近年来，基于耳部EEG的听觉注意解码（AAD）研究在神经工程领域取得了显著进展。AAD ear EEG-based dataset作为首个同时记录头皮、耳周和耳内EEG的数据集，为探索可穿戴脑电系统的性能边界提供了关键基准。该数据集揭示了耳部EEG在空间覆盖与穿戴舒适性之间的权衡关系，其中耳内EEG以61.1%的解码准确率证明了完全无外部参考电极的可行性。当前研究热点集中在通过贪婪前向选择策略构建EEG传感器网络，仅需添加3个头皮电极即可将耳内EEG性能提升至接近头皮EEG水平。这一突破为开发微型化、可长期佩戴的神经导向助听器提供了新思路，同时也推动了针对个性化耳部解剖结构的信号处理算法创新。

相关研究论文

• A Direct Comparison of Simultaneously Recorded Scalp, Around-Ear, and In-Ear EEG for Neural Selective Auditory Attention Decoding to Speech

  Aarhus University, Department of Electrical and Computer Engineering, Center for Ear-EEG · 2025年