埃塞克斯大学发布脑电EEG数据集助力BCI研究

脑电图（EEG）是一种记录大脑电活动的常用工具，它能够捕捉大脑神经元电活动产生的微小电流变化。EEG数据集通常由多个EEG通道（电极）记录，并用于研究神经科学、心理生理学以及作为脑-机接口（BCI）系统开发的基础。 在这个特定的数据集中，由英国埃塞克斯大学提供的脑电EEG数据集是专门用于研究和测试脑电活动与肢体运动想象相关模式的数据。该数据集使用了特定的心理生理学范式，即运动想象（MI），这是一种无需实际肌肉活动的运动模拟过程。 描述中提到的数据集包含了12名年龄在24岁到50岁之间的健康受试者，其中58%为女性，且有一半的受试者未曾接触过脑-机接口。这12名受试者在进行特定任务时，他们的EEG数据被记录下来。每个受试者产生的数据被分为178个模式，每个模式包含了3600个特征。 EEG信号的一个核心特征是事件相关非同步化（ERD）和事件相关同步化（ERS）。ERD指的是在某些大脑活动（如运动想象）发生时，特定频段的脑电波幅值降低；而ERS则是指在某些条件下，脑电波幅值会增加。这些现象是研究大脑运动控制和运动学习的重要指标。 数据集中的EEG试验采用15个电极进行记录，并且采样率为256 Hz。这意味着每秒钟记录了256次电极点的脑电波形数据。为了更深入地分析信号，研究者们运用了离散小波变换（DWT），这是一种多分辨率分析方法，能够提供信号在不同尺度和频率上的详细视图。 通过DWT，可以从每个电极获得的信号中分离出近似（低频）和细节（高频）两类系数集。每个片段经过6级小波变换，每个级别的系数集大小以2的幂次递减，从128、64、32、16、8到4个系数。因此，每个EEG模式包含了2×S×E×L组系数，其中S是片段数，E是电极数，L是小波级别数。具体到这个数据集，S=20，E=15，L=6，因此最终得到3600组系数，每个数据点的总系数数达到151200。 数据集包含了用于训练和测试的两个主要部分，其中包括了以.npy文件格式存储的EEG信号数据以及对应的任务标签。例如，data_training_104.npy和labels_training_104.npy分别对应训练数据集的信号部分和标签部分。同样，data_test_104.npy和labels_test_104.npy对应测试数据集。这些文件允许研究人员对算法进行训练和验证，以识别和分类与运动想象相关的脑电模式。 综上所述，英国埃塞克斯大学提供的脑电EEG数据集是一个有价值的资源，用于分析和理解与运动想象相关的脑电活动模式。它不仅包含了丰富的生理信号数据，还涉及了复杂的数据处理方法，对于研究脑机接口技术、认知神经科学以及数据分析方法的学者来说具有重要的研究价值。通过使用该数据集，研究人员可以开发更精确的模式识别算法，用于预测受试者的运动意图，进而可以应用于各种如残疾辅助、康复训练等实际应用领域中。