Dream2Image-ZhangTWC129-enriched

该数据集包含与相应图像配对的EEG脑信号，并丰富了多个时间段的EEG数据。数据集结构包括每个样本的唯一标识符、相关图像、以及分别记录15秒、30秒、60秒、120秒和完整的EEG信号。EEG信号以NumPy数组的形式存储，其形状取决于记录的持续时间和通道数。

原始信息汇总

Dream2Image EEG 数据集（增强版）概述

数据集基本信息

• 名称：Dream2Image EEG Dataset (Enriched)
• 语言：英语
• 数据规模：129个样本
• 存储大小：1.24 GB（下载大小），1.34 GB（数据集大小）
• 类别规模：100<n<1K

数据集结构

特征字段

• title：每个样本的唯一标识符（字符串类型）
• image：关联图像（图像类型）
• eeg_15s：15秒记录的EEG信号（嵌套浮点数列表）
• eeg_30s：30秒记录的EEG信号（嵌套浮点数列表）
• eeg_60s：60秒记录的EEG信号（嵌套浮点数列表）
• eeg_120s：120秒记录的EEG信号（嵌套浮点数列表）
• eeg_total：完整的EEG信号记录（嵌套浮点数列表）

数据划分

• 训练集：包含全部129个样本

数据格式

• EEG信号以NumPy数组形式存储
• 数组形状因记录时长和通道数量而异

任务类别

• 图像到文本
• 表格分类
• 图像分类

相关标签

• EEG
• 脑信号
• 图像生成
• 神经科学

使用方式

python from datasets import load_dataset dataset = load_dataset("opsecsystems/Dream2Image-ZhangTWC129-enriched")

引用来源

基于Yann Bellec的原始Dream2Image数据集

搜集汇总

数据集介绍

构建方式

在神经科学领域，Dream2Image-ZhangTWC129-enriched数据集通过精心设计的实验范式构建而成。研究团队采集了129名受试者在视觉刺激任务中的脑电图信号，同步记录其观看的图像内容。数据采集采用多通道EEG设备，以高采样率捕捉大脑活动，并按照15秒、30秒、60秒、120秒及完整时长分段存储，确保时间精度与信号完整性。每个样本均包含精确的时间对齐图像与脑电信号对应关系。

特点

该数据集最显著的特点在于其多时间尺度的脑电信号记录，提供从短时到完整的神经响应模式。包含129个高质量样本，每个样本配备5种不同时长的EEG数据段，为研究大脑视觉处理的时域特性提供丰富维度。图像刺激涵盖多样化视觉内容，与高精度脑电信号形成精准配对，支持跨模态认知计算研究。数据采用标准化数组格式存储，便于机器学习模型直接处理与分析。

使用方法

研究人员可通过Hugging Face数据集库直接加载该数据集，使用标准接口访问多时间尺度的脑电信号和对应图像。典型应用包括训练脑电信号到图像的生成模型，研究视觉感知的神经机制，或开发脑机接口系统。数据支持端到端的深度学习流程，可分别提取不同时长的EEG特征进行对比实验，为神经科学和人工智能的交叉研究提供标准化数据支撑。

背景与挑战

背景概述

脑机接口与神经科学交叉领域的研究近年来取得显著进展，Dream2Image-ZhangTWC129-enriched数据集由Yann Bellec等研究人员创建，专注于探索脑电信号与视觉感知之间的复杂映射关系。该数据集通过记录受试者在观看图像时产生的多时段脑电信号，为解码大脑视觉处理机制提供了宝贵资源。其核心研究问题在于如何从非侵入式脑电信号中重构视觉刺激，这对理解人类认知过程和开发新型脑机交互系统具有深远影响，推动了神经科学与人工智能的深度融合。

当前挑战

该数据集致力于解决脑电信号解码与图像重建这一前沿领域的核心挑战，包括脑电信号的高噪声特性、个体差异显著以及信号与视觉内容间的非线性映射难题。在构建过程中，研究人员面临多时间尺度脑电数据同步采集的技术复杂性，需确保不同时长信号段的时间对齐与质量一致性。同时，数据规模有限且采集成本高昂，如何在小样本条件下建立稳健的解码模型成为关键障碍，这些因素共同构成了该数据集应用与扩展的主要挑战。

常用场景

经典使用场景

在脑机接口与神经科学交叉领域，Dream2Image数据集为研究视觉感知与脑电信号关联机制提供了重要实验平台。研究者通过分析不同时长EEG信号与对应图像的映射关系，探索大脑在处理视觉信息时的神经编码规律，特别是在梦境图像重构、视觉想象解码等前沿方向具有典型应用价值。

实际应用

在临床医学领域，该数据集支持开发基于脑电信号的意识状态监测系统，为闭锁综合征患者提供新型沟通途径。在虚拟现实交互中，可实现基于神经反馈的智能图像生成，推动自适应人机交互系统的发展，同时在神经疾病诊断辅助工具开发方面展现潜在价值。

衍生相关工作

基于该数据集衍生了多项神经解码领域的创新研究，包括跨模态深度学习框架EEG2Image的开发、时频特征融合算法的优化，以及生成对抗网络在脑电信号可视化中的应用。这些工作显著推动了《Neural Networks》和《Journal of Neural Engineering》等期刊发表的系列前沿成果。