EEG-Datasets

github2021-11-05 更新2024-05-31 收录

下载链接：

https://github.com/taotao16/EEG-Datasets

下载链接

链接失效反馈

官方服务：

资源简介：

一个包含所有公开EEG数据集的列表。这个EEG资源列表并不详尽，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。

A comprehensive list of all publicly available EEG datasets. This EEG resource list is not exhaustive; if you discover new datasets or delve deeper into any unfiltered links, please update the repository.

创建时间：

2020-10-08

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）的数据，包括生理和心理问卷结果、EMG数据集、3D EEG电极位置以及非任务相关状态的EEG。
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），以及实际运动和想象运动（双手或双脚）的数据。
Grasp and Lift EEG Challenge
- 包含12名受试者，32通道@500Hz，记录6种抓取和提升事件的数据。
The largest SCP data of Motor-Imagery
- 包含13名参与者，75次记录会话，共60,000次心理想象，涉及4种BCI交互范式。
BCI Competition IV-1
- 包含7名受试者，64个EEG通道，1000Hz采样率，记录左手、右手、脚（+空闲状态）的数据。
BCI Competition IV-2a
- 包含9名受试者，22个电极，每个受试者有288个四秒的想象运动试验。
BCI Competition IV-2b
- 包含9名受试者，3个电极，记录想象左手或右手运动的数据，最后3个会话包含在线反馈。
High-Gamma Dataset
- 包含14名健康受试者，128个电极，约1000个四秒的执行运动试验，分为13次运行。
Left/Right Hand 1D/2D movements
- 包含1名受试者，19个电极，记录各种1D和2D手部运动（实际执行）的数据。
Imagination of Right-hand Thumb Movement
- 包含1名受试者，8个电极，记录想象右手拇指运动的数据。
Mental-Imagery Dataset
- 包含13名参与者，超过60,000次心理想象，涉及4种交互范式，使用38通道医疗级EEG系统记录。

2. Emotion-Recognition

DEAP
- 包含32名受试者，观看1分钟长的音乐视频片段，并进行情感评分。
Enterface06
- 包含16名受试者，通过IAPS数据集中的子集引发情感。
Imagined Emotion
- 包含31名受试者，通过听取语音录音引发情感想象。
NeuroMarketing
- 包含25名受试者，14个电极，对电子商务产品的喜欢/不喜欢进行评估。
SEED
- 包含15名受试者，观看引发正/负/中性情感的视频片段，并记录EEG。
SEED-IV
- 包含15名受试者，观看引发快乐/悲伤/中性/恐惧情感的视频片段，并记录EEG。
SEED-VIG
- 包含18名受试者，在模拟驾驶任务中记录警觉性标签和EEG数据。
HCI-Tagging
- 包含受试者观看视频片段并进行情感标注，同时记录音频、视频、凝视数据和生理数据。
Regulation of Arousal
- 包含18名受试者，通过在线飞行模拟器研究调节警觉性。

3. Error-Related Potentials (ErrP)

BCI-NER Challenge
- 包含26名受试者，56个EEG通道，用于P300拼写器任务，并标记正确或错误响应的数据集。
Monitoring ErrP in a target selection task
- 包含6名受试者，64个EEG电极，记录目标选择任务中的错误相关响应。
ErrPs during continuous feedback
- 包含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。
HCI-Tagging
- 包含受试者观看图像或电影片段，并根据标签的适用性进行响应，同时记录生理数据。

4. Visually Evoked Potentials (VEPs)

c-VEP BCI
- 包含9名受试者，32个EEG通道，用于VEP BCI拼写器任务，并标记响应的数据集。
c-VEP BCI with dry electrodes
- 包含9名受试者，15个干式EEG通道，用于VEP BCI拼写器任务，并标记响应的数据集。
SSVEP - Visual Search/Discrimination and Handshake
- 包含30名受试者，14个电极，记录视觉搜索和手势测试的数据。
Synchronized Brainwave Dataset
- 包含15名受试者，观看不同视频刺激，记录EEG数据。

5. Event Related Potentials [ERPs]

Pattern Visual Evoked Potentials
- 包含2名受试者，记录棋盘光模式（异常范式）的EEG数据。
Face vs. House Discrimination
- 包含7名癫痫受试者，展示50张灰度人脸和房屋图片，记录EEG数据。
Target Versus Non-Target
- 包含多个数据集，涉及不同数量的受试者和电极，用于视觉P300脑机接口研究。
Impedance Data
- 包含12名受试者，记录P300任务（异常范式）中的电极阻抗数据。
Sustained-Attention Driving
- 包含27名受试者，在VR环境中进行持续注意力驾驶任务，记录EEG数据。
Dryad-Speech
- 包含多个实验，研究自然语音理解，涉及不同任务和刺激类型。

6. Slow-Cortical Potentials (SCPs)

Mental-Imagery Dataset
- 包含13名参与者，记录大量心理想象数据，涉及4种交互范式。

7. Resting State

Resting State EEG Data
- 包含22名受试者，72个EEG通道，记录8分钟的休息任务，包括睁眼和闭眼各4分钟。
EID-M, EID-S
- 包含8名受试者，14个电极，记录闭眼状态下的EEG数据。
SPIS Resting State Dataset
- 包含10名受试者，64个通道，记录2.5分钟的眼闭和眼开状态EEG数据。
Alpha-waves
- 包含20名受试者，16个通道，记录10秒的眼闭和眼开触发EEG数据。

8. Music and EEG

Music Imagery Information Retrieval
- 包含10名受试者，64个EEG通道，记录12首不同音乐作品的心理想象任务数据。

9. Eye-blinks/movements

Involuntary Eye Movements during Face Perception
- 包含26个电极，记录受试者在观看不同情绪面孔时的眼动和EEG数据。
Voluntary-Involuntary Eye-Blinks
- 包含20名受试者，记录自愿和非自愿眼眨的EEG数据。
EEG-eye state
- 包含1名受试者，记录117秒的连续EEG数据，标记眼闭和眼开状态。
EEG-IO
- 包含20名受试者，记录自愿单眼眨的EEG数据。
EEG-VV, EEG-VR
- 包含12名受试者，记录非自愿眼眨的EEG数据，同时进行视频观看和阅读活动。
Eye State Prediction
- 包含1名受试者，记录117秒的EEG数据，标记眼闭和眼开状态。
Kara-One
- 包含受试者进行想象和发声的语音和单字提示，记录EEG数据。

搜集汇总

数据集介绍

构建方式

EEG-Datasets的构建基于多个公开的脑电图（EEG）数据集，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领域。这些数据集通过不同的实验设计和数据采集方法获得，例如使用多通道EEG设备记录受试者在执行特定任务时的脑电活动。数据集的构建过程包括受试者的招募、实验任务的执行、数据的采集与标注，以及后续的数据清洗和标准化处理。

使用方法

EEG-Datasets的使用方法主要包括数据下载、预处理、特征提取和模型训练。研究人员可以通过GitHub页面提供的链接访问各个数据集，并根据研究需求选择合适的数据集进行下载。数据预处理通常包括滤波、去噪和分段等步骤，以去除噪声并提取有效的脑电信号。随后，研究人员可以通过特征提取方法（如时频分析、空间滤波等）从预处理后的数据中提取特征，并用于训练机器学习或深度学习模型。这些模型可以用于分类、回归或预测任务，如运动想象分类、情绪状态识别等。

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，包括运动想象、情绪识别、错误相关电位（ErrP）、视觉诱发电位（VEPs）等。该数据集的创建旨在为脑机接口（BCI）和神经科学研究提供丰富的实验数据支持。数据集由多个研究机构和团队共同贡献，涵盖了从基础研究到应用研究的广泛内容。例如，BCI Competition IV 系列数据集为脑机接口算法的开发与评估提供了标准化的基准数据，而 DEAP 数据集则专注于情绪识别的研究。这些数据集不仅推动了脑机接口技术的发展，还为神经科学领域的深入探索提供了宝贵的数据资源。

当前挑战

EEG-Datasets 所面临的挑战主要体现在两个方面。首先，脑电图数据的采集与处理具有高度复杂性。由于 EEG 信号易受噪声干扰（如眼动、肌肉活动等），如何有效去除噪声并提取有用信息是一个关键问题。其次，数据集的构建过程中，如何确保数据的标准化与可重复性也是一大挑战。不同研究团队使用的设备、实验范式和数据格式各异，导致数据集之间的兼容性较差，增加了数据整合与分析的难度。此外，随着脑机接口技术的快速发展，如何设计更具挑战性的实验任务以捕捉更丰富的脑电活动模式，也是未来研究需要解决的重要问题。

常用场景

经典使用场景

EEG-Datasets广泛应用于脑机接口（BCI）研究，特别是在运动想象（Motor Imagery）和情感识别（Emotion Recognition）领域。通过分析脑电图（EEG）信号，研究者能够解码大脑活动，进而实现对外部设备的控制或情感状态的识别。例如，在运动想象任务中，受试者通过想象左右手运动来生成特定的脑电模式，这些模式被用于训练机器学习模型，以实现对假肢或虚拟设备的控制。

解决学术问题

EEG-Datasets为脑机接口领域的研究提供了丰富的数据支持，解决了多个关键学术问题。首先，它帮助研究者理解不同脑区在特定任务中的活动模式，如运动想象或情感识别。其次，通过大规模数据集，研究者能够开发更精确的算法，提升脑电信号分类的准确性。此外，这些数据集还促进了跨学科研究，如神经科学、心理学和计算机科学的融合，推动了脑机接口技术的实际应用。

实际应用

EEG-Datasets在实际应用中具有广泛的前景。在医疗领域，它被用于开发辅助设备，帮助瘫痪患者通过脑电信号控制轮椅或假肢。在神经反馈治疗中，这些数据集被用于训练患者调节自身的脑电活动，以改善注意力缺陷或多动症等疾病。此外，情感识别数据集还被应用于市场研究，通过分析消费者对广告或产品的脑电反应，优化营销策略。

数据集最近研究