EEG During Mental Arithmetic Tasks

该项目利用由Zyma等人（2019年）公开的“EEG During Mental Arithmetic Tasks”数据集，该数据集通过PhysioNet公开。参与者包括36名健康受试者，分为任务表现良好的组（G组）和任务表现较差的组（B组）。实验条件包括任务前EEG（基线记录）和任务后EEG（疲劳条件下的记录）。EEG硬件使用Neurocom EEG系统，配置为23通道，采用国际10-20电极放置系统。数据集已由原作者提供，包括高通滤波（≤30 Hz）、50 Hz陷波滤波、独立成分分析（ICA）用于去除眼动、肌肉和心脏伪影，并选择了无伪影的60秒EEG段。

This project utilizes the "EEG During Mental Arithmetic Tasks" dataset publicly released by Zyma et al. (2019), which is made available via PhysioNet. The dataset includes 36 healthy subjects, divided into two groups: Group G (with good task performance) and Group B (with poor task performance). Experimental conditions cover pre-task EEG (baseline recordings) and post-task EEG (recordings obtained under fatigue conditions). The EEG hardware adopted was the Neurocom EEG system, configured with 23 channels following the international 10-20 electrode placement system. The original authors have preprocessed the dataset, including high-pass filtering (≤30 Hz), 50 Hz notch filtering, independent component analysis (ICA) for eliminating ocular, muscular and cardiac artifacts, and selection of artifact-free 60-second EEG segments.

原始信息汇总

EEG认知疲劳分类数据集概述

数据集基本信息

• 数据集名称：EEG During Mental Arithmetic Tasks
• 原始来源：PhysioNet
• 原始文献：Zyma, I., et al. (2019). Electroencephalograms during Mental Arithmetic Task Performance. Data, 4(1), 14. https://doi.org/10.3390/data4010014
• 研究主题：认知状态分类，特别是由持续心算任务诱导的**基线（任务前）状态到精神疲劳（任务后）**状态的转变。

数据采集详情

• 参与者：36名健康受试者。
• 受试者分组：
  • G组：任务表现良好。
  • B组：任务表现较差。
• 实验条件：
  • 任务前脑电图 (_1)：背景/基线记录。
  • 任务后脑电图 (_2)：高强度心算任务期间记录的脑电图（疲劳状态）。
• 脑电图硬件：Neurocom EEG系统。
• 通道配置：23通道配置。
• 电极放置：国际10-20系统。

数据预处理（原始数据集已提供）

• 高通滤波（≤ 30 Hz）。
• 50 Hz陷波滤波。
• 独立成分分析用于去除伪影：
  • 眼动伪影。
  • 肌肉伪影。
  • 心电伪影。
• 选择无伪影的60秒脑电片段。

本项目中使用的数据摘要

• 总受试者：36。
• 条件：疲劳前（基线）、疲劳后（心算任务）。
• 使用的脑电图通道：21个（选自23通道系统）。
• 每个样本的特征数：28。
• 总样本数：1,512。
  • 计算方式：36名受试者 × 2种条件 × 21个通道。
• 类别平衡：50/50分割。
  • 疲劳前样本：756 (50%)。
  • 疲劳后样本：756 (50%)。
• 训练-测试分割：
  • 训练集：70% (1,058个样本)。
  • 测试集：30% (454个样本)。
  • 分割为分层分割，保持了训练集和测试集中的类别平衡。

提取的特征类别

4.1 频谱特征（频域）

• 绝对频带功率：delta_abs, theta_abs, alpha_abs, beta_abs, gamma_abs。
• 相对频带功率：delta_rel, theta_rel, alpha_rel, beta_rel, gamma_rel。
• 频带比率：θ/β比率（认知负荷和疲劳）、α/θ比率（注意力调节和心理努力）。

4.2 复杂度特征（非线性动力学）

• 熵度量：样本熵、频谱熵。
• Hjorth参数：活动性、迁移率、复杂性。
• 分形维度：Higuchi方法。

4.3 滑动窗口特征（时间动力学）

• 使用10秒滑动窗口计算：delta_power, theta_power, alpha_power, beta_power。

4.4 连接性与图特征（网络分析）

• 连接性：所有通道对之间的平均α波段（8–13 Hz）相干性。
• 图论度量：全局效率、局部效率、聚类系数、特征路径长度。

分类结果

• 最佳模型：堆叠集成，准确率 1.0000。
• 其他模型结果：
  • 投票集成：0.9890。
  • 基线SVM：0.8943。
  • SVM + PCA：0.8722。
  • SVM + 交互项：0.6542。
• 前5个预测特征：
  1. graph_global_efficiency
  2. graph_clustering_coefficient
  3. graph_local_efficiency
  4. theta_trend
  5. alpha_variability

搜集汇总

数据集介绍

构建方式

在认知神经科学领域，探究脑电图信号与认知疲劳之间的关联，对于理解大脑在高负荷任务下的动态变化至关重要。该数据集由Zyma等人于2019年构建，通过公开的PhysioNet平台发布，旨在记录健康受试者在执行持续心算任务前后的脑电活动。数据采集涉及36名健康参与者，根据任务表现分为表现良好和表现较差两组，实验条件包括任务前的基线记录和任务后的疲劳状态记录。采用Neurocom脑电图系统，配置23个通道，遵循国际10-20电极放置标准。原始数据已进行预处理，包括高通滤波、50赫兹陷波滤波以及独立成分分析，以去除眼动、肌肉和心脏伪影，并选取了60秒的无伪影脑电片段，确保了数据的高质量和可靠性。

特点

该数据集的特点在于其精细的实验设计和多维度的特征提取，为认知疲劳研究提供了丰富的信息。数据集包含36名受试者的脑电记录，每个受试者提供任务前和任务后两种状态的数据，总计1,512个样本，每个样本代表单个脑电通道的活动，实现了类别的平衡分布。特征工程涵盖了频谱、非线性动态、时间窗口和网络分析等多个维度，包括绝对和相对频带功率、熵度量、滑动窗口功率以及图论指标，如全局效率和聚类系数。这些特征能够全面捕捉大脑在认知负荷下的变化，尤其突出了疲劳诱导的神经模式，为机器学习模型提供了高分辨率的输入，支持精准的分类分析。

使用方法

该数据集的使用方法遵循一个模块化的三阶段计算流程，旨在确保研究的可重复性和高效性。首先，通过数据加载阶段读取受试者元数据和脑电记录，自动分离基线任务和疲劳任务数据，并提供可视化工具。接着，在特征提取阶段，基于加载的数据计算频谱、复杂性、时间动态和网络连接性等多类特征，并将结果保存为结构化CSV文件。最后，在分类阶段，整合所有特征集，应用机器学习模型如支持向量机和集成方法，进行训练和测试，生成性能指标和可视化结果。用户可通过运行相应的Python脚本逐步执行，整个流程避免了冗余的预处理步骤，专注于特征分析和模型优化，适用于认知脑电研究的广泛应用。

背景与挑战

背景概述

在认知神经科学领域，脑电图（EEG）作为一种非侵入性技术，为研究大脑在认知任务中的动态活动提供了关键窗口。由Zyma等人于2019年创建的“EEG During Mental Arithmetic Tasks”数据集，通过PhysioNet平台公开，旨在探究持续心算任务诱导的认知疲劳神经机制。该数据集收录了36名健康受试者在基线状态和心算后疲劳状态下的23通道EEG记录，并已进行滤波和伪迹去除预处理。其核心研究问题聚焦于识别从基线到疲劳状态转变的神经标记物，为认知负荷、注意力调控及脑网络效率等高级认知功能研究提供了标准化数据基础，推动了基于EEG的认知状态分类方法的发展。

当前挑战

该数据集致力于解决认知疲劳的精准识别问题，其挑战在于疲劳状态的神经表征具有高度个体差异与动态复杂性，需从多维度特征中提取稳健的生物标志物。在构建过程中，研究人员面临伪迹干扰的剔除难题，如眼动、肌电及心电伪迹可能掩盖疲劳相关的神经信号，需依赖独立成分分析等技术进行精细分离。此外，确保不同性能组别（良好与较差任务表现）受试者数据的可比性，以及从短时EEG片段中提取具有判别力的时频、非线性及网络特征，亦是构建高质量数据集的关键挑战。

常用场景

经典使用场景

在认知神经科学领域，该数据集被广泛应用于研究持续认知任务引发的脑电动态变化。通过对比心算任务前后的脑电信号，研究者能够深入分析认知疲劳的神经表征，探索大脑在不同认知负荷下的功能重组机制。经典使用场景包括利用机器学习模型对基线状态与疲劳状态进行分类，从而揭示脑电频谱、非线性动力学及功能网络特征在认知状态判别中的关键作用。

解决学术问题

该数据集有效解决了认知神经科学中关于认知疲劳客观量化与神经机制解析的核心问题。通过提供高质量、已预处理的脑电数据，它支持研究者从多维度特征中提取疲劳相关的生物标志物，弥补了传统主观报告法的不足。其意义在于推动了认知状态监测从定性描述向定量分析的转变，为理解大脑在持续认知努力下的适应性变化提供了实证基础，促进了脑机接口与神经工程领域的算法发展。

衍生相关工作

基于该数据集衍生的经典工作主要集中在脑电解码与机器学习交叉领域。例如，研究者利用其开发了多特征融合的堆叠集成模型，实现了近乎完美的疲劳状态分类精度，并识别出全局效率、聚类系数等图论指标的关键预测作用。后续研究进一步拓展了时序动力学分析与跨被试泛化框架，推动了认知疲劳神经标记物的标准化提取流程，为脑电信号处理与模式识别提供了可复现的基准范式。