DavidVivancos/MindBigData2022

MindBigData 2022是一个大规模的脑电信号数据集，包含三个主要数据集及其子数据集。这些数据集基于不同的脑电信号采集设备，如MindWave、EPOC1、Muse1、Insight1等，并提供了详细的采样率和通道信息。数据集被划分为80%的训练集和20%的测试集，并且包含了标签和脑电数据。每个子数据集都有特定的设备和采样率配置。具体包括：1. MindBigData MNIST of Brain Digits，包含四个子数据集，分别基于MindWave、EPOC1、Muse1和Insight1设备；2. MindBigData Imagenet of the Brain，包含两个子数据集，分别基于Insight1设备的脑电信号和频谱图；3. MindBigData Visual MNIST of Brain Digits，包含三个子数据集，分别基于Muse2、Cap64和Cap64 Morlet设备。

MindBigData 2022 is a large-scale electroencephalogram (EEG) dataset that encompasses three main datasets and their corresponding sub-datasets. These datasets are built on diverse EEG acquisition devices such as MindWave, EPOC1, Muse1, Insight1, and others, with detailed sampling rate and channel information provided. The entire dataset is split into 80% training set and 20% test set, and contains both labels and EEG data. Each sub-dataset features specific device and sampling rate configurations. Specifically:
1. MindBigData MNIST of Brain Digits: comprising four sub-datasets based on MindWave, EPOC1, Muse1 and Insight1 devices respectively;
2. MindBigData Imagenet of the Brain: including two sub-datasets corresponding to EEG signals and spectrograms collected via Insight1 device;
3. MindBigData Visual MNIST of Brain Digits: containing three sub-datasets based on Muse2, Cap64 and Cap64 Morlet devices respectively.

原始信息汇总

MindBigData 2022 A Large Dataset of Brain Signals

1. MindBigData MNIST of Brain Digits

• 数据来源: http://mindbigdata.com/opendb/index.html
• 数据分割: 80% Train, 20% Test
• 数据处理: EEG信号重采样以匹配原始耳机采样率，包含头部信息，数据简化仅包含标签和EEG数据
• 子数据集:
  • MindWave1: 1 EEG Channel, 1024 samples x Channel
  • EPOC1: 14 EEG Channels, 256 samples x Channel
  • Muse1: 4 EEG Channels, 440 samples x Channel
  • Insight1: 5 EEG Channels, 256 samples x Channel

2. MindBigData Imagenet of the Brain

• 数据来源: http://mindbigdata.com/opendb/imagenet.html
• 数据分割: 80% Train, 20% Test
• 数据处理: 包含标签为ILSVRC2013类别，热编码名称列表，RGB像素值重采样至150x150像素，EEG数据
• 子数据集:
  • Insight1 EEG: 5 EEG Channels, 384 samples per channel
  • Insight1 Spectrogram: 使用64x64px的频谱图代替EEG

3. MindBigData Visual MNIST of Brain Digits

• 数据来源: http://mindbigdata.com/opendb/visualmnist.html
• 数据分割: 80% Train, 20% Test
• 数据处理: 包含标签，原始MNIST像素28x28像素，EEG数据
• 子数据集:
  • Muse2: 5 EEG Channels, 3 PPG Channels, 3 ACC Channels, 3 GYR Channels, 512 samples x Channel
  • Cap64: 64 EEG Channels, 400 samples x Channel
  • Cap64 Morlet: 64 EEG Channels, 400 samples x Channel, 使用Morlet png图像作为EEG输出

搜集汇总

数据集介绍

构建方式

在脑机接口研究领域，数据集的构建需兼顾信号质量与实验设计的严谨性。MindBigData 2022数据集基于公开的脑电信号数据库，通过系统化处理流程构建而成。原始数据经过重采样以匹配不同头戴设备的采样率，并统一划分为80%训练集与20%测试集，确保类别分布均衡。数据格式经过简化，仅保留标签与脑电通道样本，每个通道以“通道名-样本序号”命名，如FP1-0至FP1-1023，便于后续分析。该构建方法涵盖了多种设备配置，包括MindWave、EPOC、Muse及Insight等，为跨设备比较提供了基础。

使用方法

针对认知计算研究，该数据集的使用需结合具体实验目标。用户可通过HuggingFace平台直接加载相应子集，如MNIST脑电数字或ImageNet脑电图像数据。数据以行列结构组织，脑电信号可直接作为特征输入，配合标签进行监督学习训练。对于包含图像像素或谱图的子集，可构建多模态模型，联合分析视觉刺激与神经响应。研究人员可根据设备类型选择子集，比较不同采集配置对解码性能的影响，亦可通过跨数据集验证推动脑信号解码算法的泛化能力。

背景与挑战

背景概述

脑机接口与神经科学领域长期致力于探索大脑信号与外部刺激之间的映射关系，旨在构建高效的大脑信号解码模型。MindBigData2022数据集于2022年由DavidVivancos等人创建，其核心研究问题在于通过大规模、多模态的脑电图数据，推动基于视觉刺激的脑信号分类与识别研究。该数据集整合了多种商用脑电设备采集的信号，涵盖了数字、图像等视觉任务，为机器学习模型在神经信号解码中的应用提供了丰富资源，显著促进了脑机交互与认知计算领域的实证研究进展。

当前挑战

该数据集旨在解决脑电图信号分类中的关键挑战，即如何从高噪声、低信噪比的非平稳脑电信号中准确提取与视觉刺激相关的神经表征。构建过程中面临多重困难：不同脑电设备的采样率、通道数与信号质量存在显著差异，需进行复杂的重采样与标准化处理；大规模数据标注需确保视觉刺激与脑电响应的精确同步，避免时序偏差；此外，多模态数据的整合与格式统一要求细致的工程化设计，以保障数据的一致性与可用性。

常用场景

经典使用场景

在脑机接口与认知神经科学领域，MindBigData2022数据集为研究者提供了大规模、多模态的脑电信号资源。该数据集最经典的使用场景在于脑电信号分类任务，特别是数字识别与图像感知的脑电解码。通过整合不同脑电设备采集的脑电信号与视觉刺激标签，研究者能够构建深度学习模型，从脑电信号中直接解码被试者所感知的数字或图像类别，从而探索大脑视觉信息处理的神经机制。

解决学术问题

该数据集有效解决了脑电信号解码中数据稀缺与标准化不足的学术难题。它为脑机接口研究提供了统一格式的多设备脑电数据，支持跨设备、跨模态的对比分析。其意义在于推动了脑电信号处理方法的创新，促进了深度学习在神经科学中的应用，为理解大脑编码视觉信息的动态过程提供了实证基础，对开发高精度脑机交互系统具有重要理论价值。

实际应用

在实际应用层面，MindBigData2022数据集为脑机接口技术的开发与优化提供了关键数据支持。基于该数据集训练的模型可应用于辅助通信设备，帮助运动功能障碍者通过脑电信号表达意图；在神经反馈训练中，它能够用于个性化脑电模式识别，提升认知训练效果；同时，该数据集也为消费级脑电设备的算法验证提供了基准测试平台。

数据集最近研究

最新研究方向

在脑机接口与神经科学交叉领域，MindBigData2022数据集作为大规模脑信号资源，正推动前沿研究聚焦于跨模态学习与神经解码的深度融合。该数据集整合了多种脑电图设备采集的神经活动数据，并与视觉刺激（如MNIST数字、ImageNet图像）精确对齐，为探索大脑如何处理复杂视觉信息提供了独特窗口。当前研究热点集中于利用深度学习模型，特别是卷积神经网络与变换器架构，从脑电信号中重构或分类视觉刺激，旨在揭示神经表征的泛化机制。这一方向不仅促进了脑启发式人工智能的发展，也为神经康复与交互技术开辟了新路径，其影响延伸至认知计算与个性化医疗等前沿领域。