【EEG数据集介绍】

0 引言

最近有读者问我：关于EEG的数据集从哪里下载？ 正好我最近看到了一个相关的Github项目这里就给大家分享一下。想直接看原文的可以直接访问链接观看。
项目链接：https://github.com/meagmohit/EEG-Datasets

观看指南：
因为文章内容较长，如果还不知道自己具体做什么任务，请先点赞、收藏。
如果知道自己需要什么类别的数据集，请由标题部分直接点击分类标题进行查看。
如果在分类下面都找不到，再去未分类数据集以及资源网站中查找（大多数网站都需要科学上网，数据集网站打不开也是有原因的）。如果都找不到，那就是暂时还未收录，期待您的补充。。。。

1 项目简单介绍

这个Github项目是专门整理 EEG Datasets的高 Stars 项目，目前看起来整理的数据集还是挺多的，有兴趣的小伙伴可以持续关注。下面按照不同的EEG任务分别开始介绍项目内容。

1.1 运动想象

1. 左/右手心肌梗死：包括 52 名受试者（38 名具有判别特征的经过验证的受试者）、生理和心理问卷调查结果、肌电图数据集、3D 脑电图电极的位置以及非任务相关状态的脑电图
2. 运动/图像数据集：包括 109 名志愿者、64 个电极、2 个基线任务（睁眼和闭眼）、运动和运动图像（双拳或双脚）
3. 抓握和举起脑电图挑战：12 个科目，32channels@500Hz，用于 6 个抓举和举起项目，即 a）。HandStart b）。FirstDigitTouch c）。BothStartLoadPhase d）。升空 e）。将 f） 改为。两者发布
4. 运动意象最大的SCP数据：该数据集包含60小时的脑电脑机脑机接口记录，涉及75名参与者的13个记录会话、60,000个心理图像和4个脑机接互范式，以及多个记录会话和同一个体的范式。考虑涉及多达 6 种心理意象状态的 BCI 交互。[文章]
5. BCI 竞赛 IV-1：64 个脑电图通道，采样率为 1000Hz，用于 2 个受试者的左手、右手、脚 7 类（+ 空闲状态）。评估数据是连续脑电图，其中还包含空闲状态的时期。
6. BCI 竞赛 IV-2a：22 电极脑电图运动图像数据集，有 9 个受试者和 2 个会话，每个会话有 288 个 <> 秒的想象运动试验。包括左手、右手、脚和舌头的运动。[数据集说明]
7. BCI 竞赛 IV-2b：3 电极脑电图运动图像数据集，包含 9 个受试者和 5 个左手或右手想象运动的会话，最新的 3 个会话包括在线反馈。[数据集说明]
8. 高伽马数据集：从 128 名健康受试者那里获得的 14 电极数据集，对执行的动作进行大约 1000 次 13 秒的试验，每个受试者分为 <> 次运行。这四类动作是左手、右手、双脚和休息的运动。
9. 左/右手 1D/2D 动作：19D 和 1D 手部动作的各种组合（实际执行）的 2 个受试者的 <> 电极数据。
10. 右手拇指运动的想象：在每次试验中，受试者都被要求休息，并记录休息数据 5 分钟。此外，当受试者被要求想象右手拇指的运动时，还记录了 5 秒的纪元数据。每次试验都记录了 5 个这样的想象运动和休息状态。单个受试者，8 个电极，256Hz。
11. 心理意象数据集：13 名参与者，使用 60 通道医疗级脑电图系统记录的 000 种交互范式中的 4,38 多个运动意象示例。它包含多达 6 个心理意象的数据，主要用于运动运动。[文章]

1.2 情绪识别

1. DEAP：包括 32 个主题，每个主题观看 1 分钟长的音乐视频摘录，由用户根据唤醒/效价/喜欢-不喜欢/支配/家庭进行评分，以及 22/32 次子的正面面部记录。
2. Enterface’06：Enterface’06 Project 07：脑电图（64通道）+fNIRS +面部视频，包括16个受试者，其中通过IAPS数据集的选定子集引发情绪。
3. 想象的情绪：31名受试者，受试者听暗示情绪感受的录音，并要求受试者想象一个情绪场景或回忆他们以前感受过这种情绪的经历。
4. 神经营销：25 个主题，14 个电极，对 14 个类别的商业电子商务产品进行喜欢/不喜欢，每个类别有 3 张图片。数据集文章：脑电信号分析及其在神经营销中的应用。[文章]
5. SEED：向 15 名受试者展示了引发积极/消极/中性情绪的视频剪辑，并在 62 个通道上记录了脑电图。
6. SEED-IV：向 15 名受试者展示了快乐/悲伤/中性/恐惧情绪的视频剪辑，并在 62 个通道（使用眼动追踪）上记录脑电图，每个受试者进行 3 次（每次 24 次试验）。
7. SEED-VIG：模拟驾驶任务中带有脑电图数据的警戒标签。包括 18 个电极和眼动追踪。
8. HCI 标记：向 Subjetcs 展示视频剪辑（电影片段），并要求他们根据效价和唤醒的量表注释情绪状态。在整个实验过程中，音频、视频、凝视数据和生理数据同时被记录下来，传感器之间精确同步。
9. 唤醒调节：18 名受试者通过在线飞行模拟器研究，使用三种不同的音频反馈静音、假和 BCI。[文章]

1.3 误差相关电位 （ErrP）

1. BCI-NER 挑战：P26 拼写器任务的 56 名受试者、300 个脑电图通道，以及 P300 解码正确或错误字母时引发的响应的标记数据集。
2. 在目标选择任务中监测 ErrP：6 名受试者使用 64 个 EEG 电极，观察光标向目标方块移动，并根据光标是向右还是向错方向移动来标记引发的反应。[数据集说明]
3. 持续反馈期间的 ErrP：10 名受试者使用 28 个 EEG 电极，玩视频游戏来研究执行和结果错误。[数据集第 1 部分] [数据集第 2 部分]
4. HCI 标记：子 jetcs 显示图像或电影片段，并在屏幕底部带有标签。在某些情况下，标签正确地描述了有关情况的某些内容。但是，在其他情况下，标记实际上并不适用于媒体项。在每个项目之后，如果参与者同意标签适用于媒体项目，则要求他们按绿色按钮，如果不同意，则按红色按钮。在整个实验过程中，音频、视频、凝视数据和生理数据同时被记录下来，传感器之间精确同步。

1.4 视觉诱发电位 （VEP）

1. c-VEP BCI：9 名受试者，用于 VEP BCI 拼写器（32 个字符）任务的 32 个脑电图通道，以及与拼写器关联的标签引发的响应的标记数据集。[数据集说明] [已发表文章]
2. 带干电极的 c-VEP BCI：9 个受试者、15 个用于 VEP BCI 拼写器（32 个字符）任务的干脑电图通道，以及与拼写器关联的标签引发的响应的标记数据集。[文章]
3. SSVEP - 视觉搜索/辨别和握手：包括 3 种不同的测试，（i） 五盒视觉测试：基于固定和无人值守的圆盘和方形刺激，（ii） 自然图像中的视觉搜索：在黑白自然图像中搜索黄点刺激，（iii） 握手测试：显示左/右手闭合/打开图像。30 名受试者，14 个电极。[第1条] [第2条] [更多数据集：数据集2]
4. 同步脑电波数据集：向 15 人展示了 2 种不同的视频刺激，包括眨眼、放松、心算、数色框和观看超级碗广告。[刺激 1] [刺激 2]

1.5 事件相关电位 [ERP]

1. 模式视觉诱发电位：数据集#5，在 O2 位置记录的棋盘光模式（古怪范式）的 1 个受试者。
2. 面部与房屋歧视：7 名癫痫受试者分别接受了 50 次灰度刺激，用于面部和房屋图片。对于每个受试者，总共进行了 3 次实验运行，产生了 300 次刺激。
3. 目标与非目标：25 名受试者测试 Brain Invaders，这是一种使用古怪范式的视觉 P300 脑机接口。16 电极，湿式。出版物、代码。数据集 ID：BI。脑电图.2012-GIPSA。
4. 目标与非目标：24 名受试者玩 Brain Invaders，这是一个使用古怪范式的视觉 P300 脑机接口。16 电极，湿式。每个科目最多 8 个疗程。两种经验条件：使用黎曼几何进行自适应校准和不使用自适应校准。出版物、代码。数据集 ID：BI。脑电图2013-GIPSA。
5. 目标与非目标：71 名受试者玩 Brain Invaders，这是一种视觉 P300 脑机接口，使用古怪范式和自适应黎曼几何（无校准）。16电极，干燥。出版物、代码。数据集 ID：bi2014a。
6. 目标与非目标：38 名受试者玩多人游戏和协作版的 Brain Invaders，这是一种视觉 P300 脑机接口，使用古怪范式和自适应黎曼几何（无校准）。每个受试者 32 个电极，湿的，每个疗程 2 个受试者。出版物、代码。数据集 ID：bi2014b。
7. 目标与非目标：50 名受试者玩 Brain Invaders，这是一种视觉 P300 脑机接口，使用古怪范式和自适应黎曼几何（无校准）。32 电极，湿式。每个受试者 3 次，可调节闪光持续时间。出版物、代码。数据集 ID：bi2015a。
8. 目标与非目标：44 名受试者玩多人（合作和竞争）版本的 Brain Invaders，这是一个视觉 P300 脑机接口，使用古怪范式和自适应黎曼几何（无校准）。每个受试者 32 个电极，湿的，每个疗程 2 个受试者。出版物、代码。数据集 ID：bi2015b。
9. 阻抗数据：P12 任务的 300 名受试者（Oddball 范式），其中 20% 的稀有刺激。总共有 128 个目标刺激和 512 个标准刺激。数据集的收集方式使得一个记录在电极中包含不同的阻抗。[文章] [数据]
10. 持续注意力驾驶：27 名受试者在 VR 设置中进行持续注意力驾驶，以监测与事件相关的潜力。每个受试者都参加了两次 90 分钟的会议（无动觉反馈和动觉反馈），并以 32 通道和 500Hz 录制。[文章] [预处理数据集]
11. 树妖语音：5 个不同的实验，用于通过各种任务（包括音频、视觉刺激和想象语音）研究自然语音理解。（i） 20 世纪中叶流行的美国小说作品的有声读物版本 - 19 名受试者，（ii） 以相同的顺序呈现相同的试验，但 28 个语音片段中的每一个都反向播放， （iii） N400 实验：受试者阅读 300 个句子，其余部分以句子的其余部分呈现，一半以不一致的单词结尾 - ， （iv） 鸡尾酒会实验：33 名受试者进行了 30 次试验，每次试验时长 60 秒，向他们展示了 2 部经典小说作品：一部在左耳，另一部在右耳。受试者被分为 2 组，每组 17 人和 16 人（+1 名被排除在外的受试者），每组被指示在整个 30 次试验中用左耳或右耳听故事，（v） 多感官实验：刺激来自一组视频，这些视频由一名男性以类似对话的方式说美式英语。[主要文章] [补充文章]
12. ERP Core 6-7 ERP 范式，包括 N170、N400、LRP/ERN 等，来自 40 名参与者，包括分析脚本、实验、结果和数据。[文章] [网站]

1.6 慢皮质电位 （SCP）

1. 心理意象数据集：13 名参与者，使用 60 通道医疗级脑电图系统记录的 000 种交互范式中的 4,38 多个运动意象示例。它包含多达 6 个心理意象的数据，主要用于运动运动。[文章]

1.7 静息状态

1. 静息态脑电图数据：22 名受试者，72 个脑电图通道，静息任务为 8 分钟，闭眼 4 分钟，睁眼 4 分钟。[文章]
2. EID-M、EID-S：8 名处于静止状态（闭上眼睛）的受试者使用 EPOC+ 在 14 Hz 下从 54 个电极记录 128 秒（每个 7000 个样本）。EID-M有三个试验，EID-S是一个标志试验数据集。该数据集用于通过脑电波开发人员识别系统。[文章]
3. SPIS 静息状态数据集：10 名受试者，64 个通道，在每种状态（闭眼和睁眼）下记录 2.5 分钟，然后以固定顺序和不同的 ISI 进行 105 分钟的持续注意力反应任务。[艺术]
4. α 波: 20 名受试者、16 个通道、10 秒样本，两个触发器 （a） 闭眼，（b） 睁开眼睛。标签是疲劳的alaso availabe（从1-10）。

1.8 音乐和脑电图

1. 音乐图像信息检索：10 个受试者，64 个脑电图通道，用于 12 个不同乐曲的音乐图像任务，具有不同的音阶、长度和速度。[文章]

1.9 眨眼/运动

1. 面部感知过程中的不自主眼球运动：数据集 1、26 个电极、500Hz 采样率和 120 次试验。眼球运动和瞳孔直径记录、脑电图和EOG数据，当受试者在屏幕上呈现快乐/悲伤/愤怒的表情时，就会出现。[文章] [P.S：数据集仅应要求提供]
2. 自愿-非自愿眨眼：使用 g.tec 在 1 个电极上记录了 20 名受试者的自愿眨眼（受试者被要求在音频刺激后 14 秒内自愿眨眼）和非自愿眨眼（自然）。对于每个受试者，3 个疗程，每个疗程 20 个试验，以 .mat 格式呈现。[文章]
3. 脑电图-眼部状态：一次连续记录 117 秒的脑电图的眼睛状态标记数据，带有闭眼和睁眼标签。数据集是从 Emotiv 耳机记录的。
4. EEG-IO：使用 OpenBCI 设备和 BIOPAC Cap1C 记录 2 名受试者的自愿单眼眨眼（提供外部刺激）和额电极（Fp20、Fp100）的脑电图。进行了一次会议，每个受试者大约眨眼 25 次。使用视频源完成手动注释。[文章]
5. EEG-VV、EEG-VR：使用 OpenBCI 设备和 BIOPAC Cap1C 记录 2 名受试者额电极（Fp12、Fp100）的不自主眨眼（自然眨眼）和脑电图。受试者进行了两项活动——观看视频（EEG-VV）和阅读文章（EEG-VR）。使用视频源完成手动注释。[文章]
6. 眼部状态预测：使用 EPOC 耳机（117 个电极）记录单个受试者的 14 秒，并记录标记的眼部状态数据（打开和关闭）。[文章]
7. Kara-One：想象和发声的音素和单字提示，以访问语言和语音产生。使用 14 通道 Neuroscan Quick-cap 记录的 64 名受试者，以及面部跟踪和音频。[文章]
8. EEGEyeNet：来自356名不同受试者的脑电图和眼动追踪记录，这些记录来自三种不同的实验范式（左右、角度-幅度和绝对位置），具有128个通道。[文章] [数据]

1.10 杂项

1. MNIST Brain Digits：向受试者显示数字 （0-9） 时的脑电图数据，使用 Minwave、EPOC、Muse、Insight 记录单个受试者的 2 秒。包括超过 1.2M 的样本。
2. Imagenet Brain：显示随机图像（来自 Imagenet ILSVRC14 训练数据集的 2013k 图像），并记录一个受试者的脑电图信号 3 秒。包括超过 70k 个样本。
3. 工作记忆：参与者简要观察一个包含多个英文字符的数组 SET（500 毫秒），并将信息保持三秒钟。然后呈现一个 TEST 角色，如果 TEST 章程与 SET 中的一个字符匹配，参与者通过按下按钮做出响应。15 名学生，64 个电极和 500Hz 采样率。只有一小部分数据是公开的。[原始论文] [ICLR的进一步分析]
4. 深度睡眠慢速嗅探：在慢速振荡结束前 10 秒开始 10 秒的记录。记录数据的目的是预测在虚假条件下，即没有任何刺激的情况下，缓慢的振荡之后是否会有另一个振荡。
5. 酗酒的遗传易感性：对 120 名受试者进行了 120 次试验，记录了 64 次 256Hz 的电泳。考虑了两组受试者，酗酒和对照组。论文中给出了刺激细节。
6. MOOC期间的困惑：10名学生观看了两类MOOC视频-非混淆（如基础数学）和混淆（如量子理论）。时长 2 分钟，每个类别 10 个视频。通过正面通道从单通道无线 MindSet 录制。[文章]
7. Nencki-Symfonia EEG/ERP 数据集 ：高密度脑电图 （EEG） 数据集，在 Nencki 实验生物学研究所获得，来自 42 名健康年轻人的样本，具有三项认知任务：（1） 扩展多源干扰任务 （MSIT+） 与对照、西蒙、侧卫和多源干扰试验;（2）具有频繁标准、稀有目标和稀有干扰刺激的 3 刺激怪球任务;（3）控制、简单反应任务（SRT）;此外 （4） 静息态协议 （REST）。数据 - 纸张

1.11 临床脑电图

1. TUH 脑电图资源：（i） 异常脑电图和 （ii） 脑电图癫痫发作的大量数据
2. Predict-UNM：大型临床脑电图数据集存储库

2 其余未分类的数据集

1. https://sccn.ucsd.edu/~arno/fam2data/publicly_available_EEG_data.html - http://headit.ucsd.edu/studies
2. https://www2.le.ac.uk/departments/engineering/research/bioengineering/neuroengineering-lab/software
3. [https://github.com/pbashivan/EEGLearn/tree/master/Sample%20data](https://github.com/pbashivan/EEGLearn/tree/master/Sample data)
4. 第 2 部分：https://arxiv.org/pdf/1611.08024.pdf
5. 用于情绪识别的脑电图数据库，南洋理工大学
6. https://engineuring.wordpress.com/2009/07/08/downloadable-eeg-data/
7. http://www.brainsignals.de/
8. http://www.fil.ion.ucl.ac.uk/spm/data/
9. http://www.brainliner.jp/search/showall/1
10. http://bnci-horizon-2020.eu/database/data-sets
11. http://archive.ics.uci.edu/ml/datasets/EEG+Database
12. https://www.physionet.org/physiobank/database/#neuro
13. https://sites.google.com/site/iitrcsepradeep7/resume
14. http://memory.psych.upenn.edu/RAM
15. 网址：http：//fcon_1000.projects.nitrc.org/indi/cmi_eeg/
16. https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=8616018
17. https://arxiv.org/pdf/1805.06427.pdf
18. http://www.gtec.at/Research/Biosignal-Data-Sets/content/Biosignal-Data-Sets
19. http://studycatalog.org/
20. https://ieee-dataport.org/data-competitions
21. 澳大利亚脑电图数据库 https://aed.newcastle.edu.au/AED/login.jsp [联系人：aed@newcastle.edu.au]
22. 更多数据集的链接： http://www.fieldtriptoolbox.org/faq/open_data/（可能包括一些重复项）
23. https://figshare.com/articles/EEG_dataset/8091242 也有一篇同名的论文
24. [搜索引擎：可能包含大量重复项][https://app.dimensions.ai/discover/data_set?search_text=eeg%20brain-computer%20interfaces&search_type=kws&search_field=full_search](https://app.dimensions.ai/discover/data_set?search_text=eeg brain-computer interfaces&search_type=kws&search_field=full_search)
25. BIDS 数据集：https://github.com/bids-standard/bids-examples https://osf.io/cj2dr/ https://zenodo.org/record/2536267 https://osf.io/dvmrb/
26. 神经数据集的另一个平台：https://openneuro.org/
27. Brain Invaders 数据：https://arxiv.org/abs/1905.05182
28. 论文“大脑生物识别调查”第 4.2 节中基于用户安全性的公共数据集
29. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5493744/对于运动图像
30. https://thinquanaut.wordpress.com/open-data-sources/
31. https://mimic.physionet.org/
32. 数据：https://drive.google.com/drive/folders/0B3jfvN2T6iLMLWJMMVJMSXBqajg 论文：https://static1.squarespace.com/static/5abefa62d274cb16de90e935/t/5ac6962a8a922d0b8b8be6a1/1522964012664/Kappenman+2010+Psychophys+Impedance.pdf
33. RAM数据集：http://memory.psych.upenn.edu/RAM
34. https://osf.io/bndjg/文章： https://www.ncbi.nlm.nih.gov/pubmed/25450163
35. https://github.com/voytekresearch/OpenData
36. 数据联系人：https://www.krigolsonteaching.com/uploads/4/3/8/4/43848243/2002_holroydcoles.pdf
37. 数据联系人：https://medicalxpress.com/news/2017-06-brain-preference-based-decisions.html
38. STRUM：神经人体工程学研究的新数据集。Strum 数据集在 headit.ucsd 上不可用。联系作者
39. https://paperswithcode.com/search?q=eeg+dataset

3 用于搜索数据集的资源网站

1. https://dataverse.harvard.edu/dataverse/harvard?q=EEG&types=dataverses%3Adatasets%3Afiles&sort=score&order=desc&page=22
2. https://www.quora.com/How-can-I-get-free-data-sets-for-EEGs
3. https://www.physionet.org/physiobank/database/#neuro
4. https://www.researchgate.net/post/What_EEG-data_repositories_do_you_know_or_can_you_recommend_for_sharing_data
5. https://www.physionet.org/
6. https://alpha.physionet.org/about/database/
7. http://www.mamem.eu/mamem-makes-publicly-available-a-challenging-eeg-dataset-based-on-a-ssvep-based-experimantal-protocol/
8. https://figshare.com/articles/MAMEM_Phase_I_Dataset_-_A_dataset_for_multimodal_human-computer_interaction_using_biosignals_and_eye_tracking_information/5231053
9. https://figshare.com/articles/MAMEM_EEG_SSVEP_Dataset_I_256_channels_11_subjects_5_frequencies_/2068677
10. https://figshare.com/articles/MAMEM_EEG_SSVEP_Dataset_II_256_channels_11_subjects_5_frequencies_presented_simultaneously_/3153409
11. https://figshare.com/articles/MAMEM_EEG_SSVEP_Dataset_III_14_channels_11_subjects_5_frequencies_presented_simultaneously_/3413851
12. https://NEMAR.org 大约 200 个 BIDS 格式的 MEEG 实验

4 总结

到此，使用 EEG公开数据集已经介绍完毕了！！！ 如果有什么问题欢迎在评论区提出，对于共性问题可能会后续添加到文章介绍中。如果存在没有提及的公开数据集资源也可以在评论区提出，后续会对其进行添加！！！！

如果觉得这篇文章对你有用，记得点赞、收藏并分享给你的小伙伴们哦