EEG-ImageNet

这是一个包含图像视觉刺激的多粒度标签的脑电图数据集，用于论文EEG-ImageNet: An Electroencephalogram Dataset and Benchmarks with Image Visual Stimuli of Multi-Granularity Labels。数据集分为两部分：EEG-ImageNet_1.pth和EEG-ImageNet_2.pth，每部分包含8名参与者的数据。

本数据集汇聚了丰富的图像视觉刺激的多层次标签脑电图信息，旨在为学术论文《EEG-ImageNet：融合图像视觉刺激的多层次标签脑电图数据集及其基准》提供研究基础。该数据集由两个部分构成，即EEG-ImageNet_1.pth与EEG-ImageNet_2.pth，各自收纳了8位受试者的脑电图数据。

原始信息汇总

EEG-ImageNet-Dataset 概述

数据集名称

EEG-ImageNet-Dataset

数据集来源

该数据集是论文 "EEG-ImageNet: An Electroencephalogram Dataset and Benchmarks with Image Visual Stimuli of Multi-Granularity Labels" 的官方数据集。

数据集下载

数据集可通过提供的云存储链接下载：https://cloud.tsinghua.edu.cn/d/d812f7d1fc474b14bbd0/。

数据集结构

数据集被分割为两个部分：

1. EEG-ImageNet_1.pth
2. EEG-ImageNet_2.pth

每个部分包含来自8个参与者的数据。用户可以根据具体需求或设备限制选择使用其中一个部分。

搜集汇总

数据集介绍

构建方式

在构建EEG-ImageNet数据集时，研究团队采用了多阶段的实验范式。首先，参与者在屏幕上看到类别标签（S1），随后进入500毫秒的固定阶段（S2），接着展示500毫秒的图像（S3）。每个图像展示序列包含50张来自同一类别的图像，期间记录脑电信号。数据流通过蓝色箭头表示，收集的数据以灰色高亮。图像刺激来源于ImageNet，脑电信号与图像索引、粒度级别和标签对齐。通过这种方式，数据集不仅包含了丰富的脑电信号数据，还确保了与图像刺激的精确对应。

特点

EEG-ImageNet数据集的一个显著特点是其多粒度标签的结构，这使得研究者能够进行粗粒度和细粒度的分类任务。数据集包含了63,850对脑电图和图像，来自16名参与者，每对数据均包含62个电极的脑电信号，采样频率为1000 Hz，时间窗口为0.5秒。此外，由于ImageNet的版权限制，数据集仅提供图像在ImageNet中的文件索引及其类别对应的wnid，这为研究者提供了挑战性的数据处理任务。

使用方法

使用EEG-ImageNet数据集时，研究者可以根据具体需求选择下载并使用数据集的一部分，因为数据集被分为两个部分：EEG-ImageNet_1.pth和EEG-ImageNet_2.pth，每个部分包含8名参与者的数据。数据集适用于图像重建和物体分类等基准任务，研究者可以通过提供的基准结果（如表1所示）来评估不同模型的性能。此外，数据集的结构和实验范式（如图2所示）为研究者提供了详细的实验流程和数据处理指导，确保了数据集的高效利用。

背景与挑战

背景概述

EEG-ImageNet数据集是由清华大学等机构的研究人员创建的，旨在通过结合脑电图（EEG）信号与图像视觉刺激，探索多粒度标签的分类任务。该数据集包含63,850对EEG-图像数据，来自16名参与者，每对数据包括62个电极的EEG信号和对应的图像刺激。由于ImageNet的版权限制，数据集仅提供图像在ImageNet中的文件索引及其类别标识。该数据集的构建旨在推动脑机接口和神经科学领域的研究，特别是针对图像分类和重建任务的性能评估。

当前挑战

EEG-ImageNet数据集在构建过程中面临多项挑战。首先，由于ImageNet的版权限制，数据集无法直接提供图像数据，仅能提供图像索引，这增加了数据处理的复杂性。其次，EEG信号的采集和处理需要高精度的设备和算法，以确保信号的准确性和可靠性。此外，数据集的规模较大，涉及16名参与者和63,850对数据，如何高效地存储和处理这些数据也是一个重要挑战。最后，数据集的分类任务涉及多粒度标签，如何在不同粒度上实现准确的分类和重建，是当前研究的主要难点。

常用场景

经典使用场景

EEG-ImageNet数据集的经典使用场景主要集中在脑电图（EEG）与图像刺激之间的关联研究。通过该数据集，研究者能够分析和建模大脑对不同图像刺激的响应模式。具体应用包括图像分类和图像重建任务，其中图像分类任务旨在通过EEG信号预测图像类别，而图像重建任务则尝试从EEG数据中恢复原始图像。这些任务不仅有助于理解大脑处理视觉信息的过程，还为开发基于EEG的图像识别系统提供了基础。

衍生相关工作

EEG-ImageNet数据集的发布催生了多项相关研究工作。首先，基于该数据集的图像分类和重建任务，研究者开发了多种机器学习和深度学习模型，如Ridge、KNN、RandomForest、SVM、MLP、EEGNet和RGNN等。这些模型在不同粒度级别的分类任务中表现出色，推动了EEG信号处理技术的发展。其次，该数据集还激发了关于大脑视觉认知机制的深入研究，促进了神经科学和认知心理学的交叉学科研究。

数据集最近研究

最新研究方向

在脑机接口与神经科学领域，EEG-ImageNet数据集的最新研究方向主要集中在利用脑电图（EEG）信号进行图像分类和重建。该数据集通过记录16名参与者在观看ImageNet图像时的EEG信号，提供了丰富的多粒度标签数据，为研究者提供了探索大脑如何处理视觉信息的新视角。当前的研究热点包括开发高效的深度学习模型，如EEGNet和RGNN，以提高图像分类的准确性，并探索时间域和频率域特征在分类任务中的应用。此外，图像重建任务的研究也取得了显著进展，展示了EEG信号在恢复视觉刺激方面的潜力。这些研究不仅推动了脑机接口技术的发展，也为理解人类视觉认知机制提供了宝贵的数据支持。