EEG-Datasets

这是一个包含所有公开EEG数据集的列表。该列表并不详尽，如果您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 compiling all publicly available EEG datasets. This list is not exhaustive. If you identify new datasets or explore any unfiltered links, please update the repository.

原始信息汇总

EEG数据集概述

运动想象 (Motor-Imagery)

1. Left/Right Hand MI: 包含52名受试者（38名具有判别特征的验证受试者），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），以及手部运动和运动想象（双手或双脚）。
3. Grasp and Lift EEG Challenge: 包含12名受试者，32通道@500Hz，用于6种抓取和提升事件。
4. The largest SCP data of Motor-Imagery: 包含13名参与者的60小时EEG BCI记录，60,000次心理想象，4种BCI交互范式。
5. BCI Competition IV-1: 包含7名受试者，64个EEG通道，1000Hz采样率，左手、右手、脚（+空闲状态）2类。
6. BCI Competition IV-2a: 包含9名受试者，22个电极的EEG运动想象数据集，每个受试者2个会话，每个会话288个四秒的想象运动试验。
7. BCI Competition IV-2b: 包含9名受试者，3个电极的EEG运动想象数据集，5个会话的想象左手或右手运动。
8. 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个运行。
9. Left/Right Hand 1D/2D movements: 包含1名受试者，19个电极的数据，各种1D和2D手部运动（实际执行）。
10. Imagination of Right-hand Thumb Movement: 包含1名受试者，8个电极，256Hz，每次试验记录5分钟休息数据和5秒想象右手拇指运动数据。
11. Mental-Imagery Dataset: 包含13名参与者，超过60,000次运动想象示例，4种交互范式，38个通道的医疗级EEG系统。

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，根据唤醒/效价/喜欢-不喜欢/支配/熟悉度进行评级，22/32名受试者的正面面部记录。
2. Enterface06: 包含16名受试者，通过IAPS数据集的选定子集引发情绪，EEG(64通道) + fNIRS + 面部视频。
3. Imagined Emotion: 包含31名受试者，听录音提示情绪感受，想象情绪场景或回忆体验。
4. 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，14个类别，每个类别3张图片。
5. SEED: 包含15名受试者，观看引发积极/消极/中性情绪的视频片段，62个通道的EEG记录。
6. SEED-IV: 包含15名受试者，观看引发快乐/悲伤/中性/恐惧情绪的视频片段，62个通道的EEG记录（带眼动追踪），每个受试者3个会话。
7. SEED-VIG: 包含18名受试者，在模拟驾驶任务中记录警觉标签和EEG数据，18个电极和眼动追踪。
8. HCI-Tagging: 包含受试者观看视频片段（电影片段），标注情绪状态的效价和唤醒程度，同时记录音频、视频、注视和生理数据。
9. Regulation of Arousal: 包含18名受试者，通过在线飞行模拟器研究，三种不同的音频反馈（沉默、假和BCI）。

错误相关电位 (ErrP)

1. BCI-NER Challenge: 包含26名受试者，56个EEG通道，P300拼写器任务，标记正确或错误字母的反应。
2. Monitoring ErrP in a target selection task: 包含6名受试者，64个EEG电极，观看光标移动到目标方块，标记光标移动方向的正确或错误。
3. ErrPs during continuous feedback: 包含10名受试者，28个EEG电极，通过视频游戏研究执行和结果错误。
4. HCI-Tagging: 包含受试者观看图像或电影片段，标注情绪状态的效价和唤醒程度，同时记录音频、视频、注视和生理数据。

视觉诱发电位 (VEPs)

1. c-VEP BCI: 包含9名受试者，32个EEG通道，VEP BCI拼写器（32个字符）任务，标记与拼写器相关的反应。
2. c-VEP BCI with dry electrodes: 包含9名受试者，15个干电极，VEP BCI拼写器（32个字符）任务，标记与拼写器相关的反应。
3. SSVEP - Visual Search/Discrimination and Handshake: 包含30名受试者，14个电极，三种不同的测试（五盒视觉测试、自然图像中的视觉搜索、握手测试）。
4. Synchronized Brainwave Dataset: 包含15名受试者，展示两种不同的视频刺激，包括眨眼、放松、心理数学、数彩色盒子、观看超级碗广告。

事件相关电位 (ERPs)

1. Pattern Visual Evoked Potentials: 包含2名受试者，O1位置记录的棋盘光模式（奇异范式）。
2. Face vs. House Discrimination: 包含7名癫痫受试者，50张灰度面孔和房屋图片，每个受试者3次实验运行。
3. Target Versus Non-Target: 包含25名受试者，测试Brain Invaders，使用奇异范式的视觉P300脑-机接口，16个电极，湿电极。
4. Target Versus Non-Target: 包含24名受试者，玩Brain Invaders，使用奇异范式的视觉P300脑-机接口，16个电极，湿电极，每个受试者最多8个会话。
5. Target Versus Non-Target: 包含71名受试者，玩Brain Invaders，使用奇异范式的视觉P300脑-机接口，16个电极，干电极。
6. Target Versus Non-Target: 包含38名受试者，玩多人协作版本的Brain Invaders，使用奇异范式的视觉P300脑-机接口，每个受试者32个电极，湿电极。
7. Target Versus Non-Target: 包含50名受试者，玩Brain Invaders，使用奇异范式的视觉P300脑-机接口，32个电极，湿电极。
8. Target Versus Non-Target: 包含44名受试者，玩多人（合作和竞争）版本的Brain Invaders，使用奇异范式的视觉P300脑-机接口，每个受试者32个电极，湿电极。
9. Impedance Data: 包含12名受试者，P300任务（奇异范式），20%罕见刺激，128个目标刺激和512个标准刺激。
10. Sustained-Attention Driving Task (SADT): 包含27名受试者，在VR设置中进行持续注意力驾驶，监测事件相关电位，每个受试者参与两个90分钟的会话，32个通道，500Hz。
11. Dryad-Speech: 包含5个不同的实验，研究自然言语理解，包括音频、视觉刺激和想象言语。
12. ERP Core: 包含6-7个ERP范式，包括N170、N400、LRP/ERN等，40名参与者，包括分析脚本、实验、结果和数据。

慢皮质电位 (SCPs)

1. Mental-Imagery Dataset: 包含13名参与者，超过60,000次运动想象示例，4种交互范式，38个通道的医疗级EEG系统。

休息状态 (Resting State)

1. Resting State EEG Data: 包含22名受试者，72个EEG通道，8分钟的休息任务，4分钟闭眼和4分钟睁眼。
2. EID-M, EID-S: 包含8名受试者，休息状态（闭眼），14个电极，54秒，128Hz（每个7000个样本），用于通过脑波开发个人识别系统。
3. SPIS Resting State Dataset: 包含10名受试者，64个通道，每个状态（闭眼和睁眼）2.5分钟记录，持续105分钟的持续注意力反应任务。
4. Alpha-waves: 包含20名受试者，16个通道，10秒样本，两种触发器（闭眼和睁眼），疲劳标签（1-10）。

音乐和EEG

1. Music Imagery Information Retrieval: 包含10名受试者，64个EEG通道，音乐想象任务，12个不同节拍、长度和速度的片段。

眼动/眨眼

1. Involuntary Eye Movements during Face Perception: 包含26个电极，500Hz采样率，120次试验，当受试者看到快乐/悲伤/生气的脸时记录眼动和瞳孔直径，EEG和EOG数据。
2. Voluntary-Involuntary Eye-Blinks: 包含20名受试者，自愿和非自愿眨眼，14个电极，每个受试者3个会话，每个会话20次试验。
3. EEG-eye state: 包含1名受试者，连续117秒的EEG记录，带有闭眼和睁眼的标签。
4. EEG-IO: 包含20名受试者，自愿单次眨眼（外部刺激），前额电极（Fp1, Fp2），使用OpenBCI设备和BIOPAC Cap100C，一个会话，约25次眨眼。
5. EEG-VV, EEG-VR: 包含12名受试者，非自愿眨眼（自然眨眼），前额电极（Fp1, Fp2），使用OpenBCI设备和BIOPAC Cap100C，观看视频（EEG-VV）和阅读文章（EEG-VR）。
6. Eye State Prediction: 包含1名受试者，117秒记录，带有闭眼和睁眼的标签。

搜集汇总

数据集介绍

构建方式

EEG-Datasets数据集的构建基于对多个公开EEG数据集的系统性收集与整合。这些数据集涵盖了从运动想象、情绪识别到错误相关电位等多个领域，每个子数据集均由不同的研究团队在特定实验条件下采集。例如，运动想象数据集包括了左右手运动想象、手部运动与想象、抓握与提升等任务，而情绪识别数据集则涉及音乐视频观看、情感想象等实验。每个数据集的采集过程均遵循严格的实验设计，包括受试者的招募、实验任务的设定、EEG设备的配置以及数据记录的标准化处理。

特点

EEG-Datasets数据集的显著特点在于其多样性和广泛性。首先，数据集涵盖了多个EEG研究领域，包括但不限于运动想象、情绪识别、视觉诱发电位等，为跨领域的研究提供了丰富的数据资源。其次，数据集中的每个子集均具有高度的实验控制和标准化处理，确保了数据的质量和可靠性。此外，数据集还包含了多种EEG设备和电极配置的记录，如干电极和湿电极的使用，以及不同采样率和通道数的设置，这为研究者提供了多样化的实验条件和分析选项。

使用方法

EEG-Datasets数据集的使用方法灵活多样，适用于多种EEG信号处理和分析任务。首先，研究者可以根据具体研究需求选择合适的子数据集进行下载和分析。每个子数据集通常附带有详细的README文件，描述了数据集的采集方法、实验设计、数据格式以及可能的分析方向。其次，数据集支持多种EEG信号处理工具和软件，如MATLAB、Python等，研究者可以使用这些工具进行数据预处理、特征提取和模型训练。此外，数据集还鼓励用户在发现新数据或深入研究现有数据后，更新和扩展数据集，以促进EEG研究领域的持续发展。

背景与挑战

背景概述

EEG-Datasets数据集是一个汇集了多个公开脑电图（EEG）数据集的资源库，旨在为脑机接口（BCI）及相关领域的研究提供丰富的数据支持。该数据集涵盖了从运动想象、情绪识别到视觉诱发电位等多个研究方向，汇集了来自不同研究机构和竞赛的数据。其创建时间不详，但包含了多个历史悠久的BCI竞赛数据集，如BCI Competition IV系列，这些数据集由多个国际知名研究机构如Tübingen大学和PhysioNet提供。核心研究问题涉及脑电信号的分类与解析，旨在提高BCI系统的准确性和实用性。该数据集对推动脑电信号处理技术的发展具有重要影响，为研究人员提供了宝贵的实验数据和基准测试资源。

当前挑战

EEG-Datasets数据集面临的挑战主要集中在数据质量和多样性上。首先，不同数据集的采集设备、电极配置和采样率各异，导致数据标准化和整合的难度增加。其次，脑电信号的个体差异性和噪声干扰使得信号的准确分类和特征提取成为一项技术挑战。此外，数据集中的标签质量和一致性问题也影响了模型的训练效果。最后，数据集的更新和维护需要持续的投入和社区的积极参与，以确保其时效性和完整性。

常用场景

经典使用场景

在脑机接口（BCI）领域，EEG-Datasets数据集被广泛用于研究运动想象（Motor-Imagery）任务。例如，数据集中的'Left/Right Hand MI'和'Motor Movement/Imagery Dataset'提供了丰富的EEG信号，用于区分左右手运动想象。这些数据集的经典使用场景包括开发和验证基于EEG的BCI系统，通过分析脑电波模式来解码用户的意图，从而实现对机械臂或虚拟角色的控制。

衍生相关工作

EEG-Datasets数据集的发布和共享，催生了大量相关的经典工作。例如，基于该数据集的研究论文发表在多个顶级期刊和会议上，推动了脑电信号处理和机器学习算法的发展。此外，数据集的使用还激发了多个开源项目和工具的开发，如EEGLAB和MNE-Python，这些工具为研究人员提供了强大的数据处理和分析平台。这些衍生工作不仅促进了学术交流，还加速了BCI技术的实际应用和产业化进程。

数据集最近研究

最新研究方向

近年来，EEG-Datasets在脑机接口（BCI）领域引起了广泛关注，特别是在运动想象（Motor-Imagery）和情绪识别（Emotion-Recognition）方面。运动想象数据集的研究主要集中在提高BCI系统的准确性和实时性，通过分析不同运动想象状态下的脑电信号，探索更有效的特征提取和分类算法。情绪识别数据集则致力于通过脑电信号解析情绪状态，为情感计算和心理健康监测提供新的方法。此外，错误相关电位（ErrP）和视觉诱发电位（VEPs）的研究也在不断深入，旨在提升BCI系统的交互性和用户体验。这些研究不仅推动了BCI技术的发展，也为神经科学和临床应用提供了宝贵的数据支持。