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。如果你发现了新的数据集，或者深入探索了任何未筛选的链接，请更新仓库。

A comprehensive list of all publicly available EEG datasets. This EEG resource list is not exhaustive. If you discover new datasets 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数据

2. Motor Movement/Imagery Dataset

   • 包含109名志愿者
   • 64个电极，2个基线任务（睁眼和闭眼），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小时的EEG BCI记录，涉及13名参与者，75次记录会话
   • 包含60,000次心理想象和4种BCI交互范式

5. BCI Competition IV-1

   • 7名受试者，64通道EEG，采样率1000Hz
   • 包含左手、右手、脚运动及空闲状态

6. BCI Competition IV-2a

   • 9名受试者，22电极EEG，每个受试者288次想象运动试验
   • 包含左手、右手、脚和舌头的运动

7. BCI Competition IV-2b

   • 9名受试者，3电极EEG，5次想象运动会话
   • 包含左手或右手的想象运动，后3次会话包含在线反馈

8. High-Gamma Dataset

   • 14名健康受试者，128电极
   • 约1000次四秒的实际运动试验，分为13次运行

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

   • 19电极数据，1名受试者，执行各种1D和2D手部运动

10. Imagination of Right-hand Thumb Movement

    • 1名受试者，8电极，256Hz采样率
    • 记录想象右手拇指运动和休息状态的数据

情绪识别（Emotion-Recognition）

1. DEAP

   • 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/喜好/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，EEG（64通道）+ fNIRS +面部视频
   • 情绪通过IAPS数据集的子集诱发

3. Imagined Emotion

   • 31名受试者，通过听取建议情感的语音记录并想象情感场景或回忆相关经历

4. NeuroMarketing

   • 25名受试者，14电极
   • 对14类电子商务产品的3张图像进行喜好/不喜好评价

5. SEED

   • 15名受试者观看诱发正/负/中性情绪的视频片段，记录62通道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通道EEG（含眼动追踪）

7. SEED-VIG

   • 在模拟驾驶任务中记录警觉标签和EEG数据，18电极，含眼动追踪

8. HCI-Tagging

   • 受试者观看视频片段并标注情感状态，记录音频、视频、凝视和生理数据

错误相关电位（ErrP）

1. BCI-NER Challenge

   • 26名受试者，56通道EEG，P300拼写任务
   • 标记数据集，记录正确或错误字母解码时的响应

2. Monitoring ErrP in a target selection task

   • 6名受试者，64电极EEG
   • 观看光标移动到目标方块，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电极EEG
   • 通过玩视频游戏研究执行和结果错误

4. HCI-Tagging

   • 受试者观看带有底部标签的图像或电影片段，根据标签是否正确描述情况进行响应

视觉诱发电位（VEPs）

1. c-VEP BCI

   • 9名受试者，32通道EEG，VEP BCI拼写器任务
   • 标记数据集，记录与拼写器关联的标签响应

2. c-VEP BCI with dry electrodes

   • 9名受试者，15干电极EEG，VEP BCI拼写器任务
   • 标记数据集，记录与拼写器关联的标签响应

3. SSVEP - Visual Search/Discrimination and Handshake

   • 包含3种不同测试，涉及视觉搜索和手部动作
   • 30名受试者，14电极

事件相关电位（ERPs）

1. Pattern Visual Evoked Potentials

   • 2名受试者，检查板光模式（异常范式）记录在O1位置

2. Face vs. House Discrimination

   • 7名癫痫受试者，分别展示50张灰度面部和房屋图片
   • 每个受试者进行3次实验运行，共300次刺激

静息状态

1. Resting State EEG Data

   • 22名受试者，72通道EEG，进行8分钟静息任务，包括4分钟闭眼和4分钟睁眼

2. EID-M, EID-S

   • 8名受试者，14电极，使用EPOC+在128Hz下记录54秒（每个7000样本）
   • EID-M包含三个试验，EID-S为单个试验数据集

音乐与EEG

1. Music Imagery Information Retrieval
   • 10名受试者，64通道EEG，进行12种不同音乐想象的任务

眼动/眨眼

1. Involuntary Eye Movements during Face Perception

   • 26电极，500Hz采样率，120次试验
   • 记录当受试者看到屏幕上的快乐/悲伤/愤怒面部时的眼动和瞳孔直径

2. Voluntary-Involuntary Eye-Blinks

   • 20名受试者，14电极，记录自愿和非自愿眼眨
   • 每个受试者3个会话，每个会话20次试验

3. EEG-eye state

   • 眼状态标记数据，记录117秒连续EEG，包括闭眼和睁眼状态

4. EEG-IO

   • 20名受试者，使用OpenBCI设备和BIOPAC Cap100C记录前额电极（Fp1, Fp2）的自愿单次眼眨
   • 包含约25次眨眼每受试者

5. EEG-VV, EEG-VR

   • 12名受试者，使用OpenBCI设备和BIOPAC Cap100C记录前额电极（Fp1, Fp2）的非自愿眼眨
   • 受试者进行观看视频（EEG-VV）和阅读文章（EEG-VR）两项活动

其他

1. MNIST Brain Digits

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

2. Imagenet Brain

   • 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
   • 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）并维持信息3秒
   • 15名学生，64电极，500Hz采样率

4. Deep Sleep Slow Oscillation

   • 记录10秒数据，开始于慢振荡结束前10秒
   • 目标预测在无刺激条件下慢振荡是否会跟随另一个慢振荡

5. Genetic Predisposition to Alcoholism

   • 120次试验，120名受试者，64电极，256Hz采样率
   • 考虑两组受试者：酒精依赖者和对照组

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的构建基于多个公开的脑电图（EEG）数据集，涵盖了运动想象、情感识别、错误相关电位、视觉诱发电位等多个领域。这些数据集通过不同的实验范式获取，例如运动想象任务中，受试者被要求想象左右手或脚的运动，情感识别任务中则通过观看视频片段诱发情感反应。数据采集过程中，使用了不同数量的电极（从3到128个不等），并记录了不同频率的脑电信号（如256Hz、500Hz、1000Hz）。部分数据集还结合了其他生理信号（如眼动、肌电）和行为数据，以提供更全面的分析基础。

使用方法

EEG-Datasets的使用方法因研究目标而异。对于运动想象任务，研究者可以通过分析特定频段的脑电信号（如μ波和β波）来识别受试者的运动意图。情感识别任务中，则可以通过提取脑电信号的特征（如功率谱密度、事件相关电位）并结合情感评分数据，构建情感分类模型。对于错误相关电位研究，可以通过分析错误反馈时的脑电信号变化，研究大脑对错误的处理机制。此外，数据集中的多模态数据（如眼动、面部视频）可以用于跨模态融合研究，提升模型的鲁棒性和准确性。使用这些数据集时，需注意数据预处理、特征提取和模型验证的标准化流程，以确保研究结果的可靠性。

背景与挑战

背景概述

EEG-Datasets是一个专注于脑电图（EEG）数据的公开数据集集合，涵盖了多个研究领域，如运动想象、情绪识别、错误相关电位（ErrP）和视觉诱发电位（VEP）等。该数据集由多个研究机构和学者共同构建，最早可追溯到2000年代初期的BCI竞赛数据集。这些数据集为脑机接口（BCI）、神经科学和心理学等领域的研究提供了宝贵的数据资源，推动了相关技术的进步。EEG-Datasets的多样性和广泛性使其成为研究脑电信号处理、模式识别和机器学习算法的重要基础。

当前挑战

EEG-Datasets面临的挑战主要体现在两个方面。首先，脑电信号的复杂性和个体差异性使得数据预处理和特征提取变得极为困难，尤其是在多通道、高采样率的情况下，如何有效降噪并提取有意义的特征是一个关键问题。其次，数据集的构建过程中，实验设计的标准化和数据的标注一致性也面临挑战。不同研究团队采用的实验范式、电极布局和采样频率各异，导致数据集之间的兼容性较差，增加了跨数据集研究的难度。此外，脑电数据的隐私和伦理问题也对数据共享和公开提出了更高的要求。

常用场景

经典使用场景

EEG-Datasets在脑机接口（BCI）研究中扮演着核心角色，尤其是在运动想象（Motor Imagery）领域。研究者通过这些数据集，能够深入分析大脑在想象特定运动时的电活动模式，进而开发出能够解读这些信号的算法。例如，BCI Competition IV系列数据集被广泛用于测试和验证新的分类算法，以提高BCI系统的准确性和响应速度。

解决学术问题

EEG-Datasets解决了脑机接口研究中的多个关键问题，如如何准确识别和分类不同的脑电波模式，以及如何提高系统的实时性和稳定性。这些数据集为研究者提供了丰富的实验数据，使得他们能够开发出更为精确的模型，从而推动BCI技术的发展。此外，这些数据集还帮助研究者理解大脑在处理不同任务时的动态变化，为神经科学提供了宝贵的数据支持。

实际应用

在实际应用中，EEG-Datasets被用于开发各种脑机接口应用，如帮助残疾人士通过思维控制外部设备，或在医疗领域用于监测和诊断神经系统疾病。例如，High-Gamma数据集被用于开发能够识别特定运动意图的系统，这些系统可以应用于康复治疗，帮助患者恢复运动功能。

数据集最近研究

最新研究方向

近年来，EEG-Datasets在脑机接口（BCI）和神经科学研究中的应用日益广泛，尤其是在运动想象（Motor Imagery）和情感识别（Emotion Recognition）领域。运动想象数据集如BCI Competition IV系列和High-Gamma Dataset，为开发更精准的脑机交互系统提供了丰富的数据支持，推动了基于EEG的运动控制与康复技术的发展。情感识别数据集如DEAP和SEED，通过结合多模态数据（如面部表情和生理信号），为情感计算和心理健康监测提供了新的研究方向。此外，错误相关电位（ErrP）和视觉诱发电位（VEPs）数据集的研究，进一步拓展了EEG在实时反馈系统和视觉认知领域的应用潜力。这些数据集的前沿研究不仅推动了神经科学和人工智能的交叉融合，也为临床诊断和个性化医疗提供了重要的数据基础。