基于eeg脑电的认知负荷公开数据集
EEGMAT：心算任务期间的脑电图
EEG During Mental Arithmetic Tasks v1.0.0
发布时间：2018 年 12 月 17 日。版本： 1.0.0
介绍
该数据库包含受试者在执行心算任务之前和期间的脑电图记录。
学习方法
使用了 Neurocom EEG 23 通道系统（乌克兰，XAI-MEDICA）单极记录脑电图。根据国际 10/20 方案将银/氯化银电极放置在头皮上。所有电极都参考了互连的耳参考电极。
使用了截止频率为 30 Hz 的高通滤波器和电力线陷波滤波器 （50 Hz）。所有记录都是持续时间为 60 秒的无伪影脑电图片段。在数据预处理阶段，使用独立成分分析（ICA）来消除伪影（心脏搏动的眼睛、肌肉和心脏重叠）。算术任务是两个数字的串行减法。每次试验都以口头交流 4 位数字（减值）和 2 位数字（减值）开始（例如 3141 和 42）。
如果参与者具有正常或矫正至正常的视力、正常色觉、没有精神或认知障碍、语言或非语言学习障碍的临床表现，则他们有资格参加该研究。排除标准是使用精神活性药物、药物或酒精成瘾以及精神或神经系统主诉。
数据
带有脑电图的数据文件以 EDF（欧洲数据格式）格式提供。每个主题有 2 个文件：
- 带“_1”后缀——记录受试者的背景脑电图（在心算任务之前）
- 带有“_2”后缀——在心算任务期间记录脑电图。
所有文件的录制日期时间信息已设置为 1 月 1 日。
在这个实验中，所有受试者被分为两组：
- “G”组（24 名受试者）执行良好质量计数（每 4 分钟平均手术次数 = 21，SD = 7.4）。
- 执行质量不良计数的“B”组（12 名受试者）（每 4 分钟的平均手术次数 = 7，SD = 3.6）。
在subject-info.csv中，“计数质量”列指示哪些受试者对应于哪个组（0 - “B”组，1 - “G”组）。此外，subject-info.csv还提供有关每个主题的基本信息（性别、年龄、工作、录制日期）。
EDF 和 EDF+ 格式都是免费的，可以使用免费软件查看，若要在 Python 代码中使用以下 EDF 文件，建议使用 PyEDFlib 来处理文件（https://github.com/holgern/pyedflib/tree/master/pyedflib）。
使用论文
- cnn Cross-Subject
Saini M, Satija U and Upadhayay M D 2022 One-dimensional convolutional neural network architecture for classification of mental tasks from electroencephalogram Biomed. Signal Process. Control 74 103494
- 1d cnn Cross-Task
Saini M, Satija U and Upadhayay M D 2023 DSCNN-CAU: deep-learning-based mental activity classification for IoT implementation toward portable BCI IEEE Internet Things J. 10 8944–57
- 2D Feature Vector Cross subject Feature Map Visualization and tSNE
Wang Z, Ouyang Y and Zeng H 2024 ARFN: an attention-based recurrent fuzzy network for EEG mental workload assessment IEEE Trans. Instrum. Meas. 73 1–14
STEW：同步任务脑电图工作负载数据集
STEW: Simultaneous Task EEG Workload Dataset | IEEE DataPort
上次更新时间：星期二， 2025-06-17 14：24
介绍
该数据集由来自 48 名受试者的原始脑电图数据组成，这些受试者参与了利用 SIMKAP 多任务测试的多任务工作负载实验。受试者在休息时的大脑活动也在测试前被记录下来，并被包括在内。采用采样频率为128Hz、14通道的Emotiv EPOC设备获取数据，每个病例进行2.5分钟的脑电图记录。受试者还被要求在每个阶段后以 1 到 9 的评分量表对他们感知到的脑力劳动量进行评分，并且评分在单独的文件中提供。
数据
每个主题的数据都遵循命名约定：subno_task.txt。例如，sub01_lo.txt 是受试者 1 在休息时的原始脑电图数据，而 sub23_hi.txt 是受试者 23 在多任务测试期间的原始脑电图数据。每个数据文件的行对应于记录中的样本，列对应于脑电图设备的 14 个通道：AF3、F7、F3、FC5、T7、P7、O1、O2、P8、T8、FC6、F4、F8、AF4。
每个科目的评分都在单独的文件ratings.txt中给出。它们以逗号分隔的值格式给出：受试者编号、休息评分、测试评分。例如：1、2、8 将是主题 1，“休息时”的评分为 2，“测试”的评分为 8。请注意，无法获得科目 5、24 和 42 的评分。
同步脑电图的多模态脑成像数据集
doc.ml.tu-berlin.de/simultaneous_EEG_NIRS/
介绍
这篇论文提供了一个开放获取的多模态脑成像数据集，其中包含同步采集的脑电图（EEG）和近红外光谱（NIRS记录。
共有26名健康受试者参与实验，他们完成了三项典型的认知任务：
-
N-back工作记忆任务（包括0-back、2-back和3-back三种难度，记为数据集A）；
-
辨别/选择反应任务（Discrimination/Selection Response, DSR）（记为数据集B）；
-
词语生成任务（Word Generation, WG）（记为数据集C）。
论文提供了三类数据内容：
-
原始测量数据（EEG与NIRS信号）；
-
受试者的人口学信息；
-
基础数据分析结果。
对于N-back任务（数据集A）和DSR任务（数据集B），研究者进行了事件相关电位（ERP）分析，并在时空特征上比较了不同刺激条件下的大脑反应：
-
数据集A：比较“目标刺激”与“非目标刺激”；
-
数据集B：比较“O”与“X”两种符号刺激。
此外，研究还进行了时频分析，用于展示脑电图频谱功率的变化，以揭示与不同任务相关的大脑活动模式。同时，对NIRS信号的血流动力学反应也进行了时空特征分析。
对于词语生成任务（数据集C），研究者分析了脑电频谱功率以及血流动力学反应的时空特征，并进一步探讨了这些特征在脑电-近红外混合脑机接口（hybrid EEG-NIRS BCI）中的潜在优势与分类准确性验证结果。
总体而言，该数据集为研究者提供了一个综合性的多模态脑成像资源，可用于神经影像分析方法的性能评估、比较，以及脑机接口相关研究的进一步发展。