一个多天和高质量的EEG数据集,用于运动图像的大脑-计算机接口

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
• 机器学习 机器学习

背景情况:

• 开发基于脑电图 (EEG) 的强大的脑电脑接口 (BCI) 面临着日间变化和低信号噪声比的挑战,特别是在运动成像 (MI) 任务中.
• 大量可靠的数据集对于训练BCI模型至关重要,这些模型可以在会话和受试者之间进行概括,从而减轻固有的EEG信号不稳定性.

研究的目的:

• 介绍2019年世界机器人大会比赛-BCI机器人比赛期间收集的全面的运动图像 (MI) 数据集.
• 通过提供原始和预处理的EEG数据,促进跨会话和跨主体运动图像BCI的研究.

主要方法:

• 收集了62名健康参与者的脑电图数据,记录了三次记录.
• 包括两个实验范式:两类 (左/右手抓) 和三类 (左/右手抓,脚).
• 使用深度学习模型 (EEGNet用于两类,deepConvNet用于三类) 来评估数据集性能.

主要成果:

• 在使用EEGNet的两类MI任务中获得了85.32%的平均分类准确度.
• 在使用deepConvNet.Net的三类MI任务中获得了76.90%的平均分类准确度.
• 该数据集包括各种研究应用的原始和预处理的EEG数据.

结论:

• 提出的MI数据集是推动基于EEG的BCI研究的宝贵资源.
• 这一数据集将有助于解决与运动图像BCI系统的跨会话和跨主体变异性相关的关键挑战.
• 这个数据集的可用性鼓励进一步开发和验证BCI算法.