Consumer-Grade EEG-based Eye Tracking

Consumer-Grade EEG-based Eye Tracking数据集是由德国达姆施塔特应用技术大学创建的公开可用数据集，包含113名参与者在116个会话中产生的数据，总计11小时45分钟。数据集记录了三种模态的数据：EEG数据、由基于网络的眼睛追踪器估计的当前注视位置，以及屏幕上目标的位置。该数据集旨在作为功能数据分析和眼动追踪基准，提出了多项开放性挑战，包括眼动分类、参与者分类、聚类、降维、异常值检测和变化点检测等任务。

The Consumer-Grade EEG-based Eye Tracking dataset is a publicly available dataset developed by Darmstadt University of Applied Sciences in Germany. It contains data collected from 113 participants across 116 sessions, with a total duration of 11 hours and 45 minutes. The dataset records three modalities of data: EEG data, the current gaze position estimated by a web-based eye tracker, and the positions of on-screen targets. This dataset is intended for functional data analysis and eye-tracking benchmarking, and proposes multiple open challenges including tasks such as eye movement classification, participant classification, clustering, dimensionality reduction, outlier detection, and change point detection.

搜集汇总

数据集介绍

构建方式

在脑机接口技术快速发展的背景下，Consumer-Grade EEG-based Eye Tracking数据集通过消费级硬件采集了116名参与者的11小时45分钟多模态数据。该数据集采用国际10-10系统布置TP9、TP10、AF7、AF8四个干电极，同步记录屏幕目标位置与网络摄像头估算的凝视位置。实验设计包含四个阶段：水平/垂直移动的level-1任务和自由度更高的level-2任务，每种任务又分为目标突然跳变的saccades模式和连续移动的smooth模式。数据预处理采用SARIMA模型填补缺失值，并施加50/60Hz陷波滤波及0.5-40Hz带通滤波，为功能数据分析提供了真实场景下的基准测试平台。

特点

该数据集的核心价值在于其消费级硬件采集特性与精细的实验设计。相较于实验室级设备，四干电极配置显著降低了信噪比，更贴近现实应用场景。数据模态包含EEG信号、摄像头凝视坐标和屏幕目标坐标的三元同步记录，为功能回归问题提供完整监督信号。特别设计的smooth模式眼动轨迹具有函数型数据所需的平滑特性，而saccades模式则保留了生物电信号的瞬态特征。数据集通过严格的预处理流程（包括噪声过滤和质量控制）确保了数据可靠性，同时保持了眼动与EEG信号的原始动态关系，为开发鲁棒的脑电眼动追踪算法提供了独特挑战。

使用方法

该数据集支持多种功能数据分析范式，主要任务可建模为函数对函数或标量对函数的回归问题。研究者可采用滑动窗口策略提取EEG时序片段预测目标坐标，使用平均欧氏距离(MED)作为核心评估指标。数据集已预设90%-10%的标准训练测试划分，要求跨任务数据严格隔离以验证模型泛化能力。除主任务外，还支持六类衍生挑战：运动分类（水平/垂直、saccades/smooth）、参与者分类（追踪质量分组）、聚类分析（脑电模式识别）、降维、异常值检测和变点检测。对于需函数配准的方法，level-1数据可通过运动起始点实现天然对齐，而level-2数据则适用于开发非配准算法。

背景与挑战

背景概述

Consumer-Grade EEG-based Eye Tracking数据集由Tiago Vasconcelos Afonso和Florian Heinrichs于2025年提出，旨在通过消费级脑电图（EEG）设备记录的眼动数据，为功能数据分析（FDA）和时间序列分析提供新的基准。该数据集的核心研究问题是利用EEG信号重建眼动轨迹，从而推动脑机接口（BCI）技术在现实场景中的应用。数据集包含116名参与者的11小时45分钟的多模态记录，涵盖了水平、垂直及自由眼动任务。其创新性在于使用低成本硬件采集数据，弥补了实验室环境下高精度设备数据的不足，为开发实用化EEG眼动追踪系统提供了关键资源。

当前挑战

该数据集面临多重挑战：在领域问题层面，EEG信号的低信噪比（仅4个干电极）和个体生理差异导致眼动轨迹重建精度受限，需开发鲁棒的标量-函数回归模型；在构建过程中，消费级设备的信号稳定性差、数据缺失问题突出，需通过SARIMA模型插值处理，且实验设计需平衡自由眼动与受控任务的多样性。此外，功能数据分析要求曲线对齐（registration），但自发性眼动事件的时间异步性使传统方法失效，亟需发展非对齐数据的分析技术。

常用场景

经典使用场景

在脑机接口（BCI）和神经工程领域，Consumer-Grade EEG-based Eye Tracking数据集为研究者提供了一个独特的基准，用于从消费级脑电图（EEG）设备记录的信号中重建眼球运动。该数据集特别适用于功能数据分析（FDA）和时间序列分析的研究，其中眼球运动的平滑轨迹被视为时间的函数。通过这一数据集，研究者能够开发新的算法，以解决从低信噪比的EEG信号中提取有用信息的挑战。

实际应用

在实际应用中，Consumer-Grade EEG-based Eye Tracking数据集为开发便携式、低成本的脑机接口设备提供了重要支持。例如，该数据集可以用于开发无需额外硬件的眼球追踪系统，适用于虚拟现实（VR）和增强现实（AR）应用。此外，它还为睡眠研究和临床诊断提供了新的工具，因为EEG信号即使在闭眼状态下也能被有效记录。

衍生相关工作

该数据集衍生了一系列经典工作，包括功能神经网络（FNNs）在EEG信号分析中的应用，以及新的空间滤波方法（如SpatialFilterCNN）的开发。这些工作不仅在理论上推动了功能数据分析和时间序列分析的进步，还在实际应用中展示了消费级硬件在脑机接口中的潜力。此外，该数据集还激发了关于非对齐曲线分析和噪声抑制方法的新研究。