基于运动想象脑机接口的多日高质量 EEG 数据集：突破与进展

《Scientific Data》：A multi-day and high-quality EEG dataset for motor imagery brain-computer interface

为解决 EEG 信号不稳定及分类性能难题，研究人员构建相关数据集，提升了分类精度，推动 MI-BCI 研究。

　　在科技飞速发展的今天，脑机接口（Brain-Computer Interface，BCI）宛如一颗璀璨的新星，吸引着众多科研人员的目光。它能让用户凭借神经活动来操控外部设备，无需肌肉参与，为医疗康复、智能控制等领域带来了无限可能。在各类 BCI 技术中，基于脑电图（Electroencephalography，EEG）的 BCI 因风险低、成本效益高且实用性强备受青睐，其中运动想象（Motor Imagery，MI）BCI 更是能反映受试者的自主运动意识，在中风后运动康复等方面展现出巨大潜力。

然而，当前的 EEG-MI BCI 发展面临诸多挑战。现有的相关数据集存在数据多样性有限、质量欠佳等问题，例如样本量小、通道数少、记录会话有限、任务范围窄以及分类精度不高等，这严重阻碍了先进算法的开发与验证，限制了 MI-BCI 技术的进步。为了打破这些瓶颈，来自上海大学、天津大学、西安电子科技大学、清华大学等多所高校的研究人员展开了深入研究。

他们从 2019 世界机器人大会竞赛 ——BCI 机器人竞赛中获取了全面的 MI 数据集。该数据集涵盖 62 名健康参与者，分三个记录会话进行数据采集，包含两种实验范式：一是涉及 51 名参与者的上肢运动（左手和右手抓握）二分类任务；二是增加了脚勾动作、涉及 11 名参与者的三分类任务。研究人员将这两个数据集分别命名为 2C 和 3C 数据集。

研究人员在此次研究中运用了多种关键技术方法。数据采集方面，使用了 64 通道的 EEG 帽（由 Neuracle 独立开发），其具备良好的便携性、信号稳定性和屏蔽效果，电极位置依据国际 10 - 20 系统排列。实验过程中，通过 E-Prime 软件精准控制实验流程和数据采集。数据预处理阶段，借助 EEGLAB 工具盒在 MATLAB 环境下进行，包括去除无关通道、重新参考、滤波、提取有效时段、去除基线干扰以及降采样等操作。

在研究结果部分：

• 技术验证：从时频空域对数据集进行评估。在时域，聚焦于与肢体感觉运动活动密切相关的 μ 节律（8 - 12Hz）的事件相关去同步 / 同步（Event-Related Desynchronization/Synchronization，ERD/ERS）特征；在频域，利用事件相关谱扰动（Event-Related Spectral Perturbation，ERSP）反映 MI 任务期间的能量变化；在空域，运用共空间模式（Common Spatial Pattern，CSP）算法提取空间特征。可视化结果显示，2C 和 3C 数据集均呈现出明显的 ERD/ERS、ERSP 现象，且不同任务激活的脑区与预期相符。
• 分类性能：采用传统机器学习和深度学习方法评估数据集的分类性能，运用 10 折交叉验证确保评估的准确性和可靠性。实验结果表明，EEGNet 在两个数据集上均展现出卓越的分类性能，2C 数据集的平均分类准确率达到 85.32%，3C 数据集为 76.90%。同时，研究发现参与者的分类准确率随着记录会话的增加而提高，这意味着他们对 MI 任务的熟悉程度和熟练度在不断提升。

研究结论与讨论部分，研究人员将该数据集与 BCI IV - 2a 和 OpenBMI 等常用数据集进行对比，结果显示该数据集在受试者数量、记录会话数、通道数以及分类准确率等方面均表现更优，这充分证明了其高质量和在 MI-BCI 研究中的巨大潜力。该研究成果发表在《Scientific Data》上，为 MI-BCI 系统的发展提供了重要资源，有助于推动分类算法的进步和提高 MI-BCI 系统的鲁棒性，对跨会话、跨主体研究以及开发迁移模型等具有重要意义，有望为未来脑机接口技术的发展开辟新的道路。