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深入探索了任何未筛选的链接，请更新仓库。This is a list encompassing all publicly available EEG datasets. The compilation of EEG resources presented here is not exhaustive. Should you discover new datasets or delve into any unfiltered links, we encourage you to 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）
   • 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

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），运动动作和运动想象（双手或双脚）

3. Grasp and Lift EEG Challenge

   • 12名受试者，32通道@500Hz
   • 记录6种抓握和举起事件

4. The largest SCP data of Motor-Imagery

   • 包含60小时的EEG BCI记录，跨越75次记录，涉及13名参与者
   • 包含60,000次心理想象和4种BCI交互范式

5. BCI Competition IV-1

   • 64个EEG通道，采样率为1000Hz
   • 针对7名受试者的左手、右手、脚（+空闲状态）的2类数据

6. BCI Competition IV-2a

   • 22个电极的EEG运动想象数据集
   • 包含9名受试者，每个受试者有2个会话，每个会话有288个四秒的想象运动试验

7. BCI Competition IV-2b

   • 3个电极的EEG运动想象数据集
   • 包含9名受试者，5个会话的想象左手或右手运动，最后3个会话包含在线反馈

8. High-Gamma Dataset

   • 128个电极的数据集，来自14名健康受试者
   • 大约1000个四秒的执行运动试验，分为13个运行每受试者

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

   • 19个电极的数据，来自一名受试者
   • 包含各种1D和2D手部运动（实际执行）

10. Imagination of Right-hand Thumb Movement

    • 单个受试者，8个电极，256Hz
    • 记录当受试者想象右手拇指运动时的5秒数据

情绪识别（Emotion-Recognition）

1. DEAP

   • 包含32名受试者，观看1分钟长的音乐视频片段
   • 用户根据唤醒/价/喜欢-不喜欢/支配/熟悉度进行评分，并记录22/32名受试者的正面面部录像

2. Enterface06

   • 包含16名受试者，通过IAPS数据集的选定子集诱发情绪
   • 记录EEG（64通道）+ fNIRS +面部视频

3. Imagined Emotion

   • 31名受试者，听录音提示想象情感场景或回忆情感体验

4. NeuroMarketing

   • 25名受试者，14个电极
   • 对电子商务产品的喜欢/不喜欢反应，涉及14个类别，每个类别3张图片

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个通道的EEG数据

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个通道的EEG数据（含眼动追踪），每个受试者3个会话，每个会话24次试验

7. SEED-VIG

   • 在模拟驾驶任务中记录警觉标签和EEG数据
   • 18个电极，含眼动追踪

8. HCI-Tagging

   • 受试者观看视频片段并标记情感状态
   • 记录音频、视频、注视数据和生理数据，精确同步传感器

错误相关电位（ErrP）

1. BCI-NER Challenge

   • 26名受试者，56个EEG通道
   • 在P300拼写任务中记录正确或错误字母的响应

2. Monitoring ErrP in a target selection task

   • 6名受试者，64个EEG电极
   • 观看光标移动向目标方块，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个EEG电极
   • 在玩视频游戏时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
   • 记录音频、视频、注视数据和生理数据，精确同步传感器

视觉诱发电位（VEPs）

1. c-VEP BCI

   • 9名受试者，32个EEG通道
   • 用于VEP BCI拼写器（32个字符）任务，标记与拼写器相关的响应

2. c-VEP BCI with dry electrodes

   • 9名受试者，15个干EEG通道
   • 用于VEP BCI拼写器（32个字符）任务，标记与拼写器相关的响应

3. SSVEP - Visual Search/Discrimination and Handshake

   • 包含3种不同的测试
   • 30名受试者，14个电极

事件相关电位（ERPs）

1. Pattern Visual Evoked Potentials

   • 2名受试者，检查板光模式（奇异范式）记录在O1位置

2. Face vs. House Discrimination

   • 7名癫痫受试者，呈现50张灰度人脸和房屋图片
   • 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个EEG通道
   • 进行8分钟的静息任务，包括4分钟闭眼和4分钟睁眼

2. EID-M, EID-S

   • 8名受试者，在闭眼状态下记录14个电极的EEG数据
   • 用于通过脑波开发个人识别系统

音乐与EEG

1. Music Imagery Information Retrieval
   • 10名受试者，64个EEG通道
   • 进行12首不同节拍、长度和速度的音乐想象任务

眨眼/运动

1. Involuntary Eye Movements during Face Perception

   • 26个电极，500Hz采样率
   • 记录当受试者面对屏幕上的快乐/悲伤/愤怒面孔时的眼动和瞳孔直径

2. Voluntary-Involuntary Eye-Blinks

   • 20名受试者，14个电极
   • 记录自愿和非自愿眨眼

3. EEG-eye state

   • 眼状态标记的数据，记录自Emotiv耳机

4. EEG-IO

   • 20名受试者，使用OpenBCI设备和BIOPAC Cap100C记录前额电极（Fp1, Fp2）的自愿单次眨眼

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）的非自愿眨眼
   • 受试者进行两种活动：观看视频（EEG-VV）和阅读文章（EEG-VR）

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记录，包含超过1.2M样本

2. Imagenet Brain

   • 当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）并保持信息3秒
   • 15名学生，64个电极，500Hz采样率

4. Deep Sleep Slow Oscillation

   • 记录10秒的数据，开始于慢振荡结束前10秒
   • 旨在预测在无任何刺激的假条件下，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个电极，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 是一个汇总了多种公开 EEG 数据集的仓库，涵盖了运动想象、情绪识别、错误相关电位、视觉诱发电位、事件相关电位、静息状态、音乐与 EEG、眼动等多种类别。数据集的构建主要依赖于对各个领域内公开 EEG 数据资源的整合与分类，确保了数据的多样性和可用性。

特点

该数据集的特点在于其内容的全面性和多样性，不仅包含了不同实验条件下的 EEG 数据，如运动想象、情绪识别等，还涵盖了不同年龄段和健康状况的受试者。此外，数据集提供了详尽的元数据描述，有利于研究者快速理解和使用数据。

使用方法

用户可以通过数据集提供的链接访问和下载相应的 EEG 数据。每个数据集都附带了一定的描述信息，用户需要仔细阅读这些信息以了解数据的具体内容和使用条款。部分数据集可能需要注册或特殊软件来访问。在使用数据时，应遵循数据提供者的版权和使用规定。

背景与挑战

背景概述

EEG-Datasets是一个汇总了多种公开EEG数据集的资源列表，旨在为研究人员提供丰富的脑电波数据以促进相关领域的研究。该数据集涵盖了从2004年至2020年间由不同研究机构和个人研究者创建的多个EEG子数据集，其中包括Motor-Imagery、Emotion-Recognition、Error-Related Potentials (ErrP)、Visually Evoked Potentials (VEPs)、Event Related Potentials [ERPs]、Resting State、Music and EEG等多个类别。这些数据集的创建，不仅丰富了脑电波信号处理的数据库，也为脑机接口(BCI)技术、情感识别、神经市场营销以及临床脑电图分析等领域的研究提供了宝贵的基础数据。

当前挑战

尽管EEG-Datasets为研究提供了丰富的数据资源，但在使用这些数据集时也面临诸多挑战。首先，不同数据集的采集条件、预处理方法和电极布局存在差异，这给数据的整合和分析带来了困难。其次，数据集的质量控制、标注的一致性和准确性也是需要关注的问题。此外，EEG信号本身的复杂性，如个体差异、噪声干扰等，对数据集的有效利用和模型的泛化能力提出了挑战。在构建过程中，数据集的创建者还需克服数据收集、存储和共享的技术障碍，以及保护受试者隐私的伦理问题。

常用场景

经典使用场景

EEG-Datasets数据集广泛用于脑电图相关研究，其经典使用场景在于motor-imagery任务，例如，通过分析受试者在想象左右手移动时的脑电波变化，研究者能够探索大脑对运动想象的响应特征，进而为运动想象型脑机接口的研究提供基础数据。

解决学术问题

该数据集解决了脑电图信号处理中的多个学术问题，包括运动想象任务的脑电特征提取、分类算法的开发与优化，以及脑机接口的性能评估等，为脑电图信号在运动康复、神经科学领域的应用提供了重要支持。

衍生相关工作

基于EEG-Datasets数据集，衍生出了多项相关研究工作，如脑电图信号在情绪识别、错误相关电位、视觉诱发电位等方面的应用研究，以及利用脑电图进行身份识别、神经市场营销分析等领域的探索。