增加大脑计算机接口数据集的可访问性:物理网络EEG运动/图像数据集的策划,用于解码和分类
Zaid Shuqfa1,2, Abderrahmane Lakas1, Abdelkader Nasreddine Belkacem1
1Connected Autonomous Intelligent Systems Lab, Department of Computer and Network Engineering, College of IT (CIT), United Arab Emirates University (UAEU), Al Ain City 15551, the United Arab Emirates.
Data in brief
|April 8, 2024
概括
这项研究清理和策划了最大的EEG运动图像数据集,以便在脑计算机接口 (BCI) 研究中更容易使用. 改进的可访问性促进了更可靠的BCI解码和现实世界的应用.
科学领域:
- 神经科学是一个神经科学.
- 生物医学工程 生物医学工程
- 信号处理 信号处理
背景情况:
- 可靠的脑电脑接口 (BCI) 取决于精确的电脑电图 (EEG) 信号解码.
- 摩托图像 (MI) BCI的模型校准需要广泛的,经过良好的处理的EEG数据.
- 物理网络EEG运动/图像数据集很大,但未被充分用于MI解码.
研究的目的:
- 为了提高可访问性,策划和清理PhysioNet EEG动力运动/图像数据集.
- 为了促进MI试验的更快利用,解码和分类.
- 支持基于EEG的MI-BCI开发和现实生活应用的进步.
主要方法:
- 策划和清理了PhysioNet EEG动力运动/图像数据集.
- 排除了6名具有异常EEG记录的受试者.
- 预先处理了103名受试者的8项任务 (四次MI,四次运动执行) 的数据.
- 数字化编码的任务注释.
- 在 MATLAB 结构和 CSV 格式中存储数据集.
主要成果:
- 从PhysioNet EEG运动/图像数据创建了一个可访问和有组织的数据集.
- 处理的数据集包括103个受试者和8个不同的运动任务.
- 数据以方便的MATLAB和CSV格式提供,以便立即使用.
结论:
- 这种精心策划的EEG数据集的可访问性提高将加速基于EEG的MI-BCI解码研究.
- 预计更容易访问数据将改善跨学科分类和转移学习.
- 这项工作旨在实现更可靠,更实用的现实生活中的BCI应用.
