EEG-Datasets

这是一个包含所有公开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。

This is a list containing all publicly available EEG datasets. The list of EEG resources 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

1. Motor-Imagery

• Left/Right Hand MI
  • 包含52名受试者（其中38名具有可区分特征）
  • 提供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
• 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）
• Grasp and Lift EEG Challenge
  • 12名受试者，32通道@500Hz
  • 记录6种抓握和提起事件
• The largest SCP data of Motor-Imagery
  • 包含13名参与者的75次记录，共60,000次心理想象
  • 涉及4种BCI交互范式
• BCI Competition IV-1
  • 7名受试者，64个EEG通道，1000Hz采样率
  • 2类运动（左手、右手、脚）及空闲状态
• BCI Competition IV-2a
  • 9名受试者，22个电极EEG数据集
  • 每个受试者288次四秒的想象运动试验
• BCI Competition IV-2b
  • 9名受试者，3个电极EEG数据集
  • 想象左手或右手运动，后三个会话包含在线反馈
• High-Gamma Dataset
  • 14名健康受试者，128个电极
  • 约1000次四秒的实际运动试验，分为13轮
• Left/Right Hand 1D/2D movements
  • 19个电极数据，1名受试者
  • 各种1D和2D手部运动（实际执行）
• Imagination of Right-hand Thumb Movement
  • 单个受试者，8个电极，256Hz
  • 记录休息状态和想象右手拇指运动的5秒数据
• Mental-Imagery Dataset
  • 13名参与者，60,000次运动想象
  • 4种交互范式，38个医疗级EEG通道

2. Emotion-Recognition

• DEAP
  • 32名受试者观看1分钟音乐视频片段
  • 用户评级的唤醒/效价/喜欢/支配/熟悉度
• Enterface06
  • 16名受试者，EEG（64通道）+ fNIRS +面部视频
  • 通过IAPS数据集的子集诱发情绪
• Imagined Emotion
  • 31名受试者，听录音并想象情感场景或回忆情感体验
• NeuroMarketing
  • 25名受试者，14个电极
  • 对14类电子商务产品的喜欢/不喜欢评价
• SEED
  • 15名受试者观看引发正/负/中性情绪的视频片段
  • 62个电极记录EEG
• SEED-IV
  • 15名受试者观看引发快乐/悲伤/中性/恐惧情绪的视频片段
  • 62个电极记录EEG，包括眼动追踪
• SEED-VIG
  • 模拟驾驶任务中的警觉标签和EEG数据
  • 18个电极和眼动追踪
• HCI-Tagging
  • 受试者观看视频片段并标注情感状态
  • 同时记录音频、视频、凝视和生理数据
• Regulation of Arousal
  • 18名受试者参与在线飞行模拟器研究
  • 三种不同的音频反馈：沉默、假象和BCI

3. Error-Related Potentials (ErrP)

• BCI-NER Challenge
  • 26名受试者，56个EEG通道
  • P300拼写任务，正确或错误字母的标记数据集
• Monitoring ErrP in a target selection task
  • 6名受试者，64个EEG电极
  • 观察光标移动到目标方块，根据光标移动方向标记响应
• 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

4. Visually Evoked Potentials (VEPs)

• c-VEP BCI
  • 9名受试者，32个EEG通道
  • VEP BCI拼写器任务，标记数据集响应与拼写器关联的标签
• c-VEP BCI with dry electrodes
  • 9名受试者，15个干EEG通道
  • VEP BCI拼写器任务，标记数据集响应与拼写器关联的标签
• SSVEP - Visual Search/Discrimination and Handshake
  • 3种不同测试，30名受试者，14个电极
  • 包括五箱视觉测试、自然图像内的视觉搜索和握手测试

5. Event Related Potentials [ERPs]

• Pattern Visual Evoked Potentials
  • 2名受试者，棋盘光模式（异常范式）记录在O1位置
• Face vs. House Discrimination
  • 7名癫痫受试者，50个灰度刺激，每个面部和房屋图片
• Target Versus Non-Target
  • 多个数据集，涉及不同数量的受试者，16-32个电极
  • 使用异常范式的视觉P300脑机接口

6. Slow-Cortical Potentials (SCPs)

• Mental-Imagery Dataset
  • 13名参与者，60,000次运动想象
  • 4种交互范式，38个医疗级EEG通道

7. Resting State

• Resting State EEG Data
  • 22名受试者，72个EEG通道
  • 8分钟休息任务，包括4分钟闭眼和4分钟睁眼
• EID-M, EID-S
  • 8名受试者，14个电极，使用EPOC+记录54秒
  • 用于通过脑波开发个人识别系统
• SPIS Resting State Dataset
  • 10名受试者，64个通道
  • 2.5分钟记录，每个状态（闭眼和睁眼），之前进行105分钟的持续注意力响应任务
• Alpha-waves
  • 20名受试者，16个通道
  • 10秒样本，两种触发器（闭眼和睁眼），疲劳标签（1-10）

8. Music and EEG

• Music Imagery Information Retrieval
  • 10名受试者，64个EEG通道
  • 音乐想象任务，12种不同曲目，不同节拍、长度和速度

9. Eye-blinks/movements

• Involuntary Eye Movements during Face Perception
  • 26个电极，500Hz采样率，120次试验
  • 记录面部感知期间的眼睛运动和瞳孔直径
• Voluntary-Involuntary Eye-Blinks
  • 20名受试者，14个电极
  • 自愿和非自愿眼眨记录，每个受试者3个会话，每个会话20次试验
• EEG-eye state
  • 单个受试者，连续EEG记录117秒，眼闭和眼开标签
• EEG-IO
  • 20名受试者，前额电极（Fp1, Fp2）
  • 自愿单次眼眨记录，外部刺激提供
• EEG-VV, EEG-VR
  • 12名受试者，前额电极（Fp1, Fp2）
  • 非自愿眼眨记录，受试者进行观看视频和阅读文章活动
• Eye State Prediction
  • 单个受试者，14个电极
  • 117秒记录，标记眼状态数据（开和闭）
• Kara-One
  • 想象和发声的音素和单字提示，以访问语言区域

搜集汇总

数据集介绍

构建方式

EEG-Datasets 是一个涵盖多个公开脑电图（EEG）数据集的综合列表，旨在为研究人员提供丰富的脑电数据资源。该数据集的构建基于广泛的文献调研和公开数据源的整合，涵盖了运动想象、情绪识别、错误相关电位、视觉诱发电位等多个研究领域。每个子数据集均通过严格的实验设计获取，包括不同数量的受试者、电极配置、任务类型以及数据采集频率等。数据集的构建过程注重数据的多样性和代表性，以确保其适用于广泛的脑机接口和神经科学研究。

特点

EEG-Datasets 的特点在于其广泛的覆盖范围和多样化的数据内容。数据集不仅包含传统的运动想象任务数据，还涵盖了情绪识别、错误相关电位、视觉诱发电位等前沿研究领域的数据。每个子数据集均提供了详细的实验描述和元数据，包括受试者数量、电极配置、任务类型以及数据采集频率等信息。此外，部分数据集还提供了生理和心理问卷结果、眼动数据以及多模态同步记录，为研究者提供了多维度的分析视角。数据集的多样性和丰富性使其成为脑电信号处理和脑机接口研究的重要资源。

使用方法

EEG-Datasets 的使用方法灵活多样，适用于不同的研究需求。研究者可以根据具体的研究目标选择相应的子数据集进行下载和分析。每个子数据集均提供了详细的数据描述和实验设计，便于研究者快速理解数据背景。数据格式通常为标准的EEG信号文件（如.edf、.mat等），并附有相应的标签和元数据。研究者可以使用常见的脑电信号处理工具（如EEGLAB、MNE-Python等）对数据进行预处理、特征提取和模型训练。此外，部分数据集还提供了相关的代码和算法实现，便于研究者复现和扩展实验。

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）、视觉诱发电位（VEPs）等。该数据集由多个研究机构和学者共同创建，最早的数据集可以追溯到2000年代初，主要研究人员包括来自BCI竞赛、DEAP项目、SEED项目等领域的专家。这些数据集的核心研究问题集中在如何通过EEG信号解码大脑活动，进而实现脑机接口（BCI）、情绪识别、运动控制等应用。EEG-Datasets的发布极大地推动了脑科学、神经工程和人工智能领域的交叉研究，为相关领域的算法开发和模型验证提供了宝贵的数据资源。

当前挑战

EEG-Datasets面临的挑战主要体现在两个方面。首先，EEG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。不同受试者的脑电活动模式差异显著，且信号容易受到噪声干扰，如眼动、肌肉活动等。其次，数据集的构建过程中也存在诸多挑战。例如，EEG数据的采集需要高度标准化的实验环境和设备，且受试者的心理状态、实验任务的复杂性等因素都会影响数据的质量。此外，如何确保数据的多样性和代表性，以支持泛化能力强的模型训练，也是数据集构建中的一大难题。这些挑战不仅限制了EEG数据的应用范围，也对相关领域的研究提出了更高的要求。

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）和情感识别（Emotion Recognition）领域。这些数据集通过记录不同任务下的脑电信号，为研究者提供了丰富的实验数据。例如，运动想象数据集如BCI Competition IV系列，广泛用于开发基于脑电信号的分类算法，帮助识别用户意图，进而控制外部设备。情感识别数据集如DEAP，则通过分析受试者在观看音乐视频时的脑电反应，探索情感状态与脑电信号之间的关联。

衍生相关工作

EEG-Datasets催生了大量经典研究工作。例如，基于BCI Competition IV数据集的研究成果被广泛应用于脑机接口系统的开发，推动了运动想象分类算法的进步。DEAP数据集则激发了情感计算领域的研究热潮，许多基于该数据集的情感识别模型被提出并应用于实际场景。此外，High-Gamma数据集的研究成果为高精度脑电信号解码提供了新的思路，进一步推动了脑机接口技术的发展。这些衍生工作不仅丰富了脑机接口领域的研究内容，也为未来的技术突破奠定了基础。

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、情感识别和错误相关电位（ErrP）等领域。运动想象数据集如BCI Competition IV系列和High-Gamma Dataset，为开发基于EEG的运动控制算法提供了丰富的数据支持，推动了康复医学和神经假肢技术的发展。情感识别数据集如DEAP和SEED，通过结合多模态数据（如面部视频和生理信号），为情感计算和心理健康监测提供了新的研究方向。此外，错误相关电位数据集如BCI-NER Challenge，为研究人类在任务执行中的错误检测和纠正机制提供了重要数据，进一步推动了自适应BCI系统的开发。这些数据集的应用不仅提升了BCI系统的性能，还为神经科学领域的理论研究和实际应用提供了坚实的基础。