32
0
2025-06-13
2025-06-13
本研究發(fā)表于《Scientific Data》（中科院二區(qū),，IF=5.8），題目為《A multi-day and high-quality EEG dataset for motor imagery brain-computer interface》,。
該論文由上海大學(xué)楊幫華教授擔(dān)任第一作者及通訊作者,，同時(shí)，天津大學(xué)張佳楊助理研究員也為通訊作者,。本研究是上海大學(xué)與天津大學(xué)攜手清華大學(xué),、西安電子科技大學(xué)等多家機(jī)構(gòu)聯(lián)合完成的。
論文鏈接：https://www.nature.com/articles/s41597-025-04826-y
數(shù)據(jù)集鏈接：https://doi.org/10.25452/figshare.plus.22671172
在腦機(jī)接口領(lǐng)域,，實(shí)現(xiàn)腦電信號(hào)在多日,、跨被試條件下的穩(wěn)定解碼是一個(gè)核心挑戰(zhàn)。為了突破現(xiàn)有數(shù)據(jù)集在樣本數(shù)量,、任務(wù)類型和信號(hào)質(zhì)量方面的限制,，研究團(tuán)隊(duì)構(gòu)建了一個(gè)包含62名健康受試者、三天記錄,、雙范式設(shè)計(jì)的高質(zhì)量EEG數(shù)據(jù)集,。該數(shù)據(jù)集不僅涵蓋左右手抓握（2類任務(wù)）和雙腳勾拉（3類任務(wù)），還提供原始數(shù)據(jù),、預(yù)處理數(shù)據(jù)及標(biāo)準(zhǔn)分析代碼,。通過深度學(xué)習(xí)模型EEGNet和deepConvNet驗(yàn)證，該數(shù)據(jù)集在運(yùn)動(dòng)想象任務(wù)分類中表現(xiàn)出色,，2類任務(wù)準(zhǔn)確率達(dá)85.32%,，3類任務(wù)達(dá)76.90%。這項(xiàng)工作填補(bǔ)了公開MI-BCI數(shù)據(jù)集在跨會(huì)話魯棒性方面的空白。
研究背景
近年來,，BCI系統(tǒng)作為神經(jīng)工程與智能交互技術(shù)的重要分支,，在醫(yī)療康復(fù)、智能控制等領(lǐng)域展現(xiàn)出廣闊的應(yīng)用前景,。尤其是基于EEG的運(yùn)動(dòng)想象（MI）BCI技術(shù),，憑借其非侵入性、低成本和操作便捷等優(yōu)勢,，成為研究熱點(diǎn),。MI任務(wù)強(qiáng)調(diào)用戶主動(dòng)進(jìn)行“無動(dòng)作”的想象，其腦電模式具有可訓(xùn)練性與康復(fù)促進(jìn)潛力,，已被證實(shí)在中風(fēng)患者康復(fù)中具有顯著療效,。然而，BCI系統(tǒng)在實(shí)際應(yīng)用中面臨信號(hào)不穩(wěn)定,、跨天/跨人波動(dòng)大等問題?，F(xiàn)有的主流數(shù)據(jù)集如BCI IV-2a/2b、OpenBMI雖然已支持MI-BCI算法的驗(yàn)證與開發(fā),，但受限于受試者數(shù)量不足,、通道數(shù)有限、任務(wù)單一,、無跨日設(shè)計(jì)等問題,，難以滿足深度學(xué)習(xí)算法對(duì)大規(guī)模、高質(zhì)量數(shù)據(jù)的需求,。特別是在跨會(huì)話魯棒性建模,、遷移學(xué)習(xí)等任務(wù)中，亟需一個(gè)具備多日記錄,、多人參與,、多類任務(wù)和多通道采集的數(shù)據(jù)資源。為此,，研究團(tuán)隊(duì)依托2019年世界機(jī)器人大會(huì)BCI比賽,，在標(biāo)準(zhǔn)實(shí)驗(yàn)范式下，構(gòu)建并發(fā)布了本研究所用的數(shù)據(jù)集,，旨在推動(dòng)MI-BCI算法在實(shí)用性與穩(wěn)健性上的突破,。
方法
實(shí)驗(yàn)范式設(shè)計(jì)
本研究的數(shù)據(jù)集采集于2019年世界機(jī)器人大會(huì)腦機(jī)接口比賽，采用兩個(gè)經(jīng)典的運(yùn)動(dòng)想象范式（Motor Imagery Paradigm）進(jìn)行腦電信號(hào)（EEG）采集,，以研究多日,、多任務(wù)條件下的MI-BCI性能表現(xiàn)。實(shí)驗(yàn)包括兩個(gè)任務(wù)設(shè)置：2類任務(wù)（2C）為左手抓握,、右手抓握,，3類任務(wù)（3C）為左手抓握,、右手抓握和雙腳勾拉，如圖1所示,。雙腳勾拉是指保持腳跟貼地,、緩慢抬起腳尖，使腳背與地面形成約45度角,，這一動(dòng)作被證明可以激活Cz通道對(duì)應(yīng)的中線運(yùn)動(dòng)皮層區(qū)域,，增加任務(wù)多樣性和空間分布廣度。實(shí)驗(yàn)過程如圖2所示,，所有提示均通過視覺與聽覺雙重方式給出,。每次錄制包含五個(gè)MI塊，每個(gè)塊含40個(gè)試次（2C）或60個(gè)試次（3C）,，共200（2C）或300（3C）個(gè)試次/記錄日,。被試在三個(gè)不連續(xù)的日子完成三次實(shí)驗(yàn)記錄，設(shè)置了靈活的中間休息時(shí)間,，以避免疲勞和保持注意力,。每個(gè)試次持續(xù)7.5秒，包括提示階段（1.5秒）,、運(yùn)動(dòng)想象階段（4秒）和休息階段（2秒）,。
圖1. 視覺提示根據(jù)每個(gè)任務(wù)的表示形式。（a）左手抓緊（b）右手抓握（c）腳鉤（d）休息
圖2. MI的實(shí)驗(yàn)范式,。（a）實(shí)驗(yàn)范式包括一個(gè)靜息相和一個(gè)MI相，其中MI相包含五個(gè)MI塊（b）一次試驗(yàn)中的實(shí)驗(yàn)范式
實(shí)驗(yàn)環(huán)境與參與者
本研究共招募62名健康,、右利手的大學(xué)生,，年齡范圍為17–30歲（其中18名女性），均為BCI新手,，且無神經(jīng),、精神或肌肉系統(tǒng)疾病史。其中51名參與了2C任務(wù),，11名參與了3C任務(wù),。實(shí)驗(yàn)在封閉、低干擾的腦電采集環(huán)境中完成,，所有被試在實(shí)驗(yàn)前均接受了MI任務(wù)訓(xùn)練,。
數(shù)據(jù)采集設(shè)備
實(shí)驗(yàn)使用Neuracle自主研發(fā)的64通道無線EEG設(shè)備，采樣頻率為1000Hz,，電極布局遵循國際10-20系統(tǒng),。
數(shù)據(jù)預(yù)處理流程
所有原始數(shù)據(jù)以.bdf格式保存，并在MATLAB R2021b環(huán)境中使用EEGLAB (v2023.0)進(jìn)行預(yù)處理,。具體步驟包括：1) 通道選擇,，剔除不相關(guān)的ECG與EOG通道，保留59個(gè)EEG通道；2) 重參考,，以Pz通道為參考,，提升時(shí)空一致性（最終保留58個(gè)通道）；3) 使用FIR濾波器進(jìn)行0.5–40 Hz帶通濾波與50 Hz電源噪聲抑制,；4) 根據(jù)任務(wù)事件標(biāo)記提取每個(gè)試次的4秒運(yùn)動(dòng)想象段落,；5) 消除低頻漂移；6) 將數(shù)據(jù)從1000 Hz下采樣至250 Hz,，以減少計(jì)算量,。
實(shí)驗(yàn)和結(jié)果
為全面驗(yàn)證所構(gòu)建EEG數(shù)據(jù)集在運(yùn)動(dòng)想象腦機(jī)接口（MI-BCI）任務(wù)中的可解碼性，研究團(tuán)隊(duì)采用傳統(tǒng)機(jī)器學(xué)習(xí)方法與多種深度神經(jīng)網(wǎng)絡(luò)模型在2類（2C）與3類（3C）任務(wù)上進(jìn)行了系統(tǒng)分類性能評(píng)估,。通過統(tǒng)一的預(yù)處理流程和十折交叉驗(yàn)證策略,，圖3的結(jié)果顯示深度學(xué)習(xí)模型在兩個(gè)任務(wù)中均顯著優(yōu)于傳統(tǒng)方法。其中,，EEGNet在2C任務(wù)上取得最高準(zhǔn)確率85.31%,，deepConvNet在3C任務(wù)中略勝一籌，準(zhǔn)確率為76.90%,。相比之下,，傳統(tǒng)方法CSP+SVM和FBCSP+SVM在2C任務(wù)中的準(zhǔn)確率分別為61.12%和67.46%，在3C任務(wù)中FBCSP+SVM僅為58.40%,，遠(yuǎn)低于深度模型表現(xiàn),，進(jìn)一步凸顯該數(shù)據(jù)集對(duì)現(xiàn)代神經(jīng)網(wǎng)絡(luò)架構(gòu)的良好適應(yīng)性。
圖3. 2 C和3 C數(shù)據(jù)集的分類精度,。紅色破折號(hào)線指示p = 0.0138的機(jī)會(huì)水平,。（a）2 C數(shù)據(jù)集的分類精度。（b）3 C數(shù)據(jù)集的分類精度,。
更進(jìn)一步,，研究者分析了被試在三天獨(dú)立實(shí)驗(yàn)中的表現(xiàn)變化。結(jié)果如表1和圖4顯示,，2C任務(wù)中EEGNet在第一,、二、三次實(shí)驗(yàn)中的平均準(zhǔn)確率分別為81.77%,、86.63%和88.90%,，3C任務(wù)中則為71.91%、75.52%和83.27%,。這一趨勢清晰反映出被試在多次實(shí)驗(yàn)后對(duì)MI任務(wù)的熟練度逐步提升,，表現(xiàn)出明顯的BCI訓(xùn)練效應(yīng)和可塑性，也體現(xiàn)該數(shù)據(jù)集可用于研究BCI學(xué)習(xí)曲線和個(gè)體差異,。
表1. EEGNet在2 C數(shù)據(jù)集和3 C數(shù)據(jù)集上的三個(gè)記錄會(huì)話中的平均分類精度,。
圖4. EEGNet在2 C數(shù)據(jù)集和3 C數(shù)據(jù)集的三個(gè)記錄會(huì)話的分類精度的散點(diǎn)圖（a）2 C數(shù)據(jù)集的分類精度（b）3 C數(shù)據(jù)集的分類精度
為了評(píng)估數(shù)據(jù)集的整體價(jià)值,，作者將其與當(dāng)前廣泛使用的BCI IV-2a與OpenBMI數(shù)據(jù)集進(jìn)行對(duì)比分析。結(jié)果如表2和表3顯示,，本研究數(shù)據(jù)集在受試者數(shù)量,、會(huì)話次數(shù)、采集通道數(shù)以及分類準(zhǔn)確率上均處于領(lǐng)先地位,。例如,，在兩類任務(wù)中，EEGNet模型在該數(shù)據(jù)集上實(shí)現(xiàn)了85.31%的分類準(zhǔn)確率,，顯著高于OpenBMI數(shù)據(jù)集的70.89%和BCI IV-2a數(shù)據(jù)集的73.13%,。綜上，該數(shù)據(jù)集不僅為MI-BCI分類建模提供了堅(jiān)實(shí)基礎(chǔ),，也為探索跨會(huì)話,、跨個(gè)體魯棒性、遷移學(xué)習(xí)與BCI適應(yīng)性研究提供了稀缺資源,。
表2. 從文獻(xiàn)中選出的數(shù)據(jù)集特征的比較摘要,。
表3. 通過使用選定數(shù)據(jù)集中的數(shù)據(jù)計(jì)算出的所有主題和會(huì)話的平均解碼準(zhǔn)確度。
結(jié)論
本研究發(fā)布的多日高質(zhì)量MI-EEG數(shù)據(jù)集涵蓋了三次獨(dú)立記錄,、多位健康受試者參與,、兩類與三類運(yùn)動(dòng)想象任務(wù)的完整實(shí)驗(yàn)流程。這一數(shù)據(jù)集不僅克服了現(xiàn)有MI-BCI公開數(shù)據(jù)集中樣本數(shù)量少,、通道設(shè)置有限,、任務(wù)類型單一等瓶頸，還為跨被試,、跨會(huì)話模型構(gòu)建和BCI系統(tǒng)穩(wěn)健性研究提供了基礎(chǔ)平臺(tái),。與BCI IV-2a與OpenBMI等主流數(shù)據(jù)集對(duì)比，本數(shù)據(jù)集在分類準(zhǔn)確率與數(shù)據(jù)完整性方面均具領(lǐng)先性,。總體而言,，該數(shù)據(jù)集是面向傳統(tǒng)算法與深度學(xué)習(xí)研究者的高質(zhì)量,、多功能研究資源，預(yù)計(jì)將在MI-BCI系統(tǒng)的研究與實(shí)際應(yīng)用推進(jìn)中發(fā)揮長期價(jià)值,。
撰稿人：馮智勇
審稿人：潘家輝
