上海大学杨帮华教授脑机团队在《Scientific Data》上发布运动想象脑电数据集及相关研究成果

近日，上海大学脑机工程研究中心团队博士研究生马骏在导师杨帮华教授指导下，发布了可用于研究跨被试和同一被试跨天的运动想象脑电建模数据集，相关研究成果以“A large EEG dataset for studying cross-session variability in motor imagery brain-computer interface”为题，在“《Scientific Data》（SCI中科院分区，综合大类二区, IF: 8.5）发表”。脑机工程研究中心杨帮华教授为通讯作者，博士研究生马骏为本论文的第一作者。

• 数据集发布背景：

运动想象脑机接口（MI-BCI）是BCI的主要范式之一，其主要的表征是一种特定的运动意图，对运动行为的心理模拟，无实际动作输出。与其它BCI范式相比，MI-BCI能够反映使用者的主动意识，无需肢体运动或外部刺激，其在运动功能代偿和运动功能修复方面具有重要意义。当前对同一被试 within session的研究已相对成熟，而对于cross-session和cross-subject的研究有限，现有的数据集不能满足运动想象脑机接口在cross-session和cross-subject建模需求。因此，对于cross-session和cross-subject脑电数据集的提出具有重大意义。

• 数据集SHU Multi-session Dataset介绍：

SHU Multi-session Dataset首次提供了包含25名被试的左右手运动想象数据集，其中每名被试包含5 个独立的session，每个session间隔两到三天。每个session包含100个trials，其中左手和右手运动想象任务各50个。该数据集可用于cross-session和cross-subject运动想象脑电建模的研究。

实验现场及运动想象实验流程

每个trial的实验流程包括2s的休息，2s的视频提示和4s的运动想象任务。休息阶段可以放松休息以及小幅度的肢体运动和眨眼等；提示阶段视频会出现左手或右手运动的动画，提醒被试接下来的运动想象任务；运动想象阶段，被试根据视频的箭头提示进行相应方向的手部动作运动想象的任务，脑电设备采集此阶段的脑电信号并保存。

实验步骤

实验在宽敞封闭的实验室进行，被试坐在沙发椅上与显示器的距离为1m，被试根据显示器及语音提示进行运动想象。实验前被试得到充分的休息，实验过程肌肉处于放松状态，尽量减小其他信号干扰，确保实验的有效性。一个session的实验过程包括填写调查问卷，穿戴脑电帽，调试设备，运动想象实验和验证数据，全程用时72min。

• 数据结构：

数据存储包含两级目录，其中sub-xxx表示被试目录，ses-yy表示session目录，每个session目录下保存了'*.edf'数据文件和'*.tsv'事件信息文件。数据文件命名方式为Sub-xxx_ses-yy_task-motorimagery_eeg.edf，其中xxx表示被试编号，yy表示session编号。每个数据文件记录了100个trials，每个trial包含4s的运动想象数据。

数据预处理过程包括，1000Hz to 250Hz降采样，去基线和FIR 1-40Hz带通滤波。数据的单位是uV，存储格式为100（trial）*32（电极）*1000（数据点）。

数据集存储格式

基准正确率：

跟随数据一同提供了多种基准算法方便研究人员对比研究。针对within-session（WS），cross-session（CS）和cross-session adaptation（CSA）三种训练模式提供了基准正确率。

within-session基准正确率

within-session的研究针对同一个session内的训练和测试，采用10倍交叉验证方式划分训练集、验证集和测试集验证数据性能。基准算法包括经典CSP、FBCSP特征提取结合SVM分类的方法和EEGNet、deep ConvNets和FBCNet深度学习方法。蓝色虚线表示随机正确率（p=0.001, N=12500）。

cross-session基准正确率

cross-session的研究针对同一个被试不同session之间的训练和测试，采用第一个session作为训练集分别测试其余session的正确率。基准算法包括EEGNet、deep ConvNets和FBCNet深度学习方法。蓝色虚线表示随机正确率（p=0.05, N=2500)。

cross-session adaptation基准正确率

cross-session adaptation的研究针对跨被试迁移模型到目标被试的自适应过程。其中目标域训练集使用的数据量从10%逐渐增加到100%，在增加过程中测试集正确率随之不断提升，相比within-session仅用目标被试训练集训练模型，正确率提升10个百分点。蓝色虚线表示随机正确率（p=0.001, N=2500)。

该数据集将推动运动想象脑机接口在cross-session和cross-subject脑电建模研究进展。

特别感谢新加坡南洋理工大学GUAN Cuntai教授对本文撰写和数据处理的悉心指导。另外，团队高守玮老师和夏新星老师也给出了一些建议。

作者信息：

马骏，上海大学机电工程与自动化学院在读博士，研究方向为运动想象脑机接口，脑卒中康复，深度学习，fMRI数据分析。

杨帮华，上海大学机电工程与自动化学院、医学院双聘教授，博士生导师，本文通讯作者。连续从事脑机接口技术及其工程应用研究近20年，主要研究运动想象脑机接口智能解码技术、虚拟现实技术、脑机接口结合VR技术在医疗康复领域工程应用。

邱文政，上海大学机电工程与自动化学院在读研究生，研究方向为运动想象脑机接口，人工智能，深度学习。

李蕴哲，上海大学医学院在读研究生，研究方向为脑电特征与疾病的相关研究。

高守玮，上海大学机自学院副教授、研究生导师。主要从事脑机微弱信号采集系统开发，脑电/肌电信号处理、电刺激仪及生物医学仪器研究。

夏新星，上海大学机自学院特聘副研究员、硕士生导师，获省部级人才计划。主要从事三维显示、近眼显示、虚拟现实/增强现实、脑机交互等领域的研究。

文章链接: https://doi.org/10.1038/s41597-022-01647-1

数据集下载地址：https://doi.org/10.6084/m9.figshare.19228725