# 用于运动想象脑机接口的多日高质量 EEG 数据集 > AI 辅助翻译，非官方版本。专业判断、引用和争议应以原文及其勘误为准。 - 来源 ID：S0193 - DOI：10.1038/s41597-025-04826-y - 原始来源：https://www.ebi.ac.uk/europepmc/webservices/rest/PMC11930978/fullTextXML - 许可：CC BY 4.0 - 翻译方法：Argos Translate 1.11.0; translate-en_zh 1.9; MiniSBD 0.9.5; structured extraction and immutable-token validation - 审校状态：机器翻译，需专业人工复核 ## 原始文件映射 - [fullTextXML.xml](../original/fullTextXML.xml) ## 许可文件（保留原文） - [europepmc-fullTextXML.xml](../license/europepmc-fullTextXML.xml)：法律或许可证据原文未翻译 ## 原始文件：fullTextXML.xml # 用于运动图像脑机接口的多日高品质的EEG数据集 - 期刊:科学数据 - 作者:杨邦华;方克荣;云龙谢;杜丽;张家阳;傅丽;广明史;高晓龙. - 道尔:10.1038/s41597-025-04826-y ## 摘要 开发一个以脑机接口(BCI)为基础的强能电脑分析(EEG)的关键挑战是在多日内获得可靠的分类性能. 特别是基于EEG的运动影像(MI)BCI面临巨大的可变性和低信号与噪声比. 为了解决这些问题,收集大量可靠的数据集对于学习跨会场和跨主题模式至关重要,同时能减轻教育、教育、科学和技术的内在不稳定性。 在这项研究中,我们从澳大利亚获得了一个全面的MI数据集。2019 世界机器人大会大赛-BCI机器人大赛. 我们收集了EEG的数据 62 3个录音课的健康参与者。 这个实验包括两个范式:(1) 两等任务:左手和右手;(2) 三等任务:左右取手取草;脚取花. 数据集由原始数据和预处理后的数据组成. 对于两类数据,平均分类精确度为:85.32% 使用EEGNet实现,而三等数据则实现了精度 76.90% 使用 deepConvNet. (原始内容存档于2018-09-21). 不同的研究人员可以根据自己的需要重新使用数据集. 我们希望,这一数据集将大大地推动MI-BCI的研究,特别是在应对跨会场和跨主题挑战方面。 ## 背景摘要( T) 脑机接口(BCI)是一种革命性技术,通过解码神经活性,使用户能够控制外部设备和软件应用,绕过肌肉参与的需要.[1] , [2]。 。 。 。 这些神经活性使用电脑学等非侵入性方法进行捕捉和分析.[1],功能性磁共振成像(fMRI)[3],和功能性近红外光谱仪(fNIRS)[4] 在这些技术中,由于风险低、成本效益低和不合理,在BCI系统中,教育、科学和技术特别受欢迎。[5] , [6]. BCI系统通常采用模式,如稳态视觉激发潜力 [7],事件相关潜力 [8],和运动图像(MI)[9] 值得注意的是,MI的特点是,它反映了主体的自愿运动意识,而没有任何实际的运动 [10] 4. 最近的进展突出表明了BCI,特别是基于MI的BCI在中风后机动车康复方面的潜力,突出了其巨大的治疗效益。[1] , [11] – [13] . 为了促进基于EEG的MI-BCI和神经科学的技术创新,提高研究透明度和科学强度,并促进跨学科合作,许多MI-EG数据集已经公开提供. BCI IV-2b号 [14] 和 OpenBMI 组合键 [15] 数据集是两个具有代表性的例子,每个都专注于两个等级的MI任务. 这些数据集在加速EEG分类模型的验证和增强方面发挥了关键作用. BCI IV-2b 数据集包含来自 9 被子,使用三个电极(C3,C4,Cz)来记录. OpenBMI 数据集包括来自 54 3个录制课程的健康科目,但所有科目和课程的平均解码准确度仅为:74.7% 当使用最先进的算法时 [16] 目前,用于算法研究的唯一广泛使用的多任务MI数据集是BCI IV-.2a 数据集,包括左右手、脚和舌部MI任务,收集于 2008 [17]。和2b数据集一样,2a 数据集也只涉及 9 专题和包括录音 22 电极。 大多数现有数据集面临数据多样性有限和数据质量不理想等方面的挑战。 常见问题包括:主题少,频道计数少,录音会话有限,任务范围有限,分级分类准确等. 这些缺点,尤其是样本体积小,严重阻碍了先进算法的开发和验证. 此外,样本规模或单一任务设计不足,对MI-BCI领域的技术进步和迭代进步构成了障碍。 在MI-BCI领域应用了深层学习算法 [18],对大规模,高品质的 EEG 数据集的需求日益增加. 在本文中,我们引入了一套综合的MI-BCI数据集,其中包括来自 62 三个录音课的主题。 这个数据集包括两个范式:第一个范式涉及上肢运动并用左手和右手取草.51 参与主体;第二个项目增加了脚踏实地任务,涉及:11 主题。 为了明确起见,我们将双任务范式数据集称为 2 C 和 三任务范式数据集为 3 C C. 所有议题和届会的平均编解码速率 2 页:1 3 C数据分别使用最先进的算法 85.3% 财务报告和审定财务报表 76.9%. 公共数据集由原始数据,已处理的数据和相关代码组成. 已在Figshare上公开提供,以确保更广泛的无障碍环境,通过专用链接提供无障碍环境 [19] (10.25452/figshare.plus.22671172). 基于这一数据集,我们从时间-光谱-空间角度对不同任务之间在EEG激活模式上的差异进行比较,并利用现有的基线和最先进的方法来完成解码任务,这表明该数据集的质量超过了现有公共数据集的质量. 此外,我们还注意到,在多次管理事务会议之后,不同主题的管理事务能力逐步得到提高。 更深层次的是,由于分配良好的业绩 2 C数据集,未来该数据集的开发也可以BCI文盲为焦点,探索高表现者与低表现者之间的差异. 我们希望,这一数据集将因其高质量和大规模而成为推进MI-BCI系统的重要而有力的资源。 其多面性使它成为MI-BCI研究中传统和深入学习方法的宝贵工具。 这包括针对特定主题的应用程序 [20],独立主体 [21],和会到会转移研究 [22] 以及开发转让模式。 ## 方法 ### 这个 2019 世界机器人会议竞赛-BCI机器人竞赛 “世界机器人会议竞赛-BCI机器人竞赛-MI”(WBCIC-MI)是推动BCI技术进步和促进跨学科合作的平台。 本研究中介绍的两个数据集是在以下几个阶段收集的:2019 以WBCIC-MI版本,参与者在控制条件下从事标准化MI任务. 这场比赛为收集高质量,大型的EEG数据提供了独特的环境,为这个综合数据集的开发做出了重大贡献. ### 与会者与环境 在这个实验中,62 健康、右派参与者(年龄)17–30,包括:18 所有幼稚的BCI用户都被招募。 其中,51 参加两个等级的MI实验,11 在三等的MI实验中 没有一个人有神经生理、精神或肌肉骨骼障碍的历史,这些疾病可能影响结果。 在试验之前,所有科目都充分了解有关程序、目的、要求(如保持健康、充分睡眠、戒酒)和MI技术。 在确保他们理解之后,获得书面知情同意。 研究获得清华大学医学伦理委员会批准(批号:20190002),并遵守"赫尔辛基原则宣言". 与会者包括大学生。 征聘信息包括试验的细节、目的、指示和所涉潜在风险(主要是身体疲劳)。 这种定向征聘的目的是尽量减少年龄差异,并提供BCI技术方面的教育机会。 参与者的隐私受到严格保护,自愿参与得到保证,承诺不使用任何退出参与者的数据。 没有参加者受到伤害,但规定了在发生损害时的赔偿和治疗。 与会者包括大学生。 征聘信息包括试验的细节、目的、指示和所涉潜在风险(主要是身体疲劳)。 这种有针对性的征聘旨在尽量减少年龄差异,并提供BCI技术的教育机会。 参与者的隐私受到严格保护,自愿参与得到保证,承诺不使用任何退出参与者的数据。 没有参加者受到伤害,但规定了在发生损害时的赔偿和治疗。 ### 实验范式 这两个实验范式旨在定量地获取与不同肢质MI任务相关的数据. 实验任务包括三个任务:左手取草,右手取草和取脚取花. 特别是,用脚指脚跟保持平稳,同时慢慢地抬起脚趾,形成一种 45- 角度与地面。 每次实验开始时,视觉指示和听觉指示同时出现. MI任务的视觉提示通过在白色背景上显示一个简短的视频来提供在显示器上,而休息提示则在黑色背景上显示为白色的十字标志,如Fig所示.1 图1 视觉提示的表达方式根据每项任务而定.(a) 左手抓住。 (b) 右手紧紧抓住. (c) 踢脚。 (d) 休息。 每个题材在不同的日子里都会用相同的MI范式进行三场录音. 我们的试验包括多场录音会(三天),审议闭会期间和参加方之间的变异性。 每次录制会话持续到 35–48 分钟,包括开眼(60 s),闭眼(:60 s 如图中所示)和五个MI区块。2(a) 报告 我们为两个多边安排区块提供了灵活的间隔期,因为这一试验需要课题长期保持重点。 之后 60 s 在中断时,参与者可以选择开始下一个 MI 块,或者根据自己的条件继续中断. (a) 实验模式包括休眠阶段和MI阶段,MI阶段由五个MI区块组成。 (b) 单一试验中的实验范式。 完成"开眼"和"闭眼"等任务后,开始"MI"任务. 在那个 2 C数据集,有 40 每一个区块中进行平衡的左-右手MI任务的试验(3 C 数据集 :60 试验,每个区块都有平衡的左-右手和瞄准脚的MI任务). 每次试验的时间是:7.5 s,在Fig中显示。2(b) 第一个 1.5 一次试验的第二秒 涉及短暂的视觉和听觉提示 在简短提示后,参与者根据这些提示在MI期间执行相应的MI任务,持续到 4 秒数。 在管理期间,参与者必须重复设想的任务。2–4 时间根据给定的提示。 主体会停止MI任务,当显示器在黑色背景上显示白色十字标志时. 休息会持续到 2 秒数。 必须指出的是,在整个实验过程中没有不必要的视觉和听觉刺激. 如来所显示.2,每个MI区块由 40 试验。 因此,有 200 试验的梨花记录 2 C 数据集,与 100 每个MI任务的试验(左-右手抓取). 还有 300 试验的梨花记录 3 C 数据集,与 100 每项管理任务的试验。 ### 数据收集 一个 EEG 盖 64 频道被放入每个学科的头部,这是由Neuracle独立开发的新一代无线EEG设备(英语:http://www.neuracle.cn/productinfo/148706.html) [23] – [25],如图中所示。3(a) 报告 该系统具有良好的可移植性、信号稳定性和有效屏蔽的特点。 关于放大器和系统的更多信息见表格。1。电极盖的电极位置按照国际电极排列。10–20 系统。 国家 64 频道,1–59 记录 EEG 信号和频道 60–64 心电图记录(ECG)(60) 电子光学(EOG)(61–64) 信号。 发相. 3 本实验中使用的数据收集设备. (a) 实验中使用的EEG盖和放大器。 (b) 国家 一个参与者在实验前在 EEG 封顶和阻力值上电极位置, 单位: k 。 哪里,灰色点代表地面电极,而绿色点代表参考电极. VEOU:垂直电容上层. VEOL:垂直电容下方. 水平电极学右侧。 左侧水平电容 #### 图表 1: 关于本研究使用的放大器和系统的信息. |技术规格| | | --- | --- | |取样率 :| 最大单通道采样频率 16 kHz | |常用模式拒绝比率 :| 120 dB | |ADC 决议 :|24 位数| |带宽 :| DC扩能保护全带宽信号,DC -4kHz 下级 16 kHz 取样 | |输入噪声 :| <0 4uVrms (英语:0.3~70 Hz) | |输入范围 :| +/−375 mV | |数据传输 :| WIFI 传输, 支持 2.4 GHz/5 GHz 双波段传输 | |数据同步精确度/ 时间精确度 :| <1 ms | |供电:|锂电池| |EEG Cap 防水评分 :|IPX8,可以用专用设备迅速清洗和干燥| |重量 :| 84 g | |Pose 检测 :|Pose 检测| |防止干涉能力:|出色的电磁屏蔽,能够在各种复杂环境中操作| 如来所显示.3(b) 红框内标出EEG集合的电极位置,而其余与ECG和EOG有关。 ECG和EOG电极在这两次实验中都没有被使用. 在试验期间,为了获得高质量的信号,所有频道的阻力尽可能低,最好是在下方。5 kΩ,并设定采样频率为 1000 Hz 在试验前,一个参与者的所有渠道的阻碍值在图中列出。3(b) ,圆圈内的数字代表以k加速度测量的相应通道的阻塞值。 本研究概述的实验范式采用E-Prime [26] 一个综合性的软件套件,旨在创建和进行心理和神经科学实验。 E-Prime提供了一个方便用户的图形界面,方便了从实验生成到以毫秒精度收集数据的整个过程. 它还有助于初步数据分析。 软件的多功能性可以呈现出各种刺激,包括文本、图像和声音。 此外,E-Prime还提供了详细的计时信息和记录事件细节,这对于神经科学研究中的实验数据的准确性和可靠性至关重要. ### EEG 数据预处理 上述系统提供持续的原始电子教育数据。 原始数据含有不相干渠道和高采样频率(1000 Hz) (中文(简体) ). 因此,需要采用预处理方法来获取更清洁的EEG数据. 在本文中,数据预处理使用MATLAB(R2021b)环境中的EEGLAB(v2023.0)工具箱进行. 具体的预处理方法如下: 选择数据. 尽管ECG和EOG频道在MI实验期间没有记录出任何数据,这五个频道仍然被收录入最终的EEG数据. 因此,预处理的第一步是去除不相关的通道,例如ECG.(60) 和副秘书长办公室 61–64) (在这种情况下,数据信道的数目是:59 重新参考。 为了避免信息损失,进一步确保结果的一致性和可比性,所有参与者的数据都进行了重新参考。 为了在本文中重新引用EEG数据,Pz被用作参考电极(在此情况下,数据通道数为:58 而测试后,这种再参考方法是最佳方法. 滤取. 为了在实验期间消除电线干扰和高频噪声,过滤过程被应用于数据. 在这项研究中,我们在EEGLAB中使用了有限度的冲动反应(FIR)来进行波段通过过滤(英语:0.5–40 Hz)和过滤 50 Hz 当断线频率小于 2 Hz,截取频率设定为值的两倍。 这有助于更好地消除低频噪音或基线漂移,确保信号保留所期望的高频组件. 提取时代。 我们感兴趣的是数据段, 视觉和听觉提示结束后的四秒钟 就是我们关注的时期 Fig中显示的MI部分.2(b) 代表我们提取的有效时代。 此时,每个学科的EEG数据被分为:200 联合国 2 C 数据集 3 C 数据集 :300(根据事件标记)。 删除时代基线 。 EEG信号包含基线干扰信号(低频噪声),会对信号分析产生不利影响. 删除时代基线也是预处理中的一个关键步骤. 改变采样率。 为了减少数据数量并改进计算速度,数据被下至 250 Hz. ## 数据记录 数据集可在Figshare查阅。[19]。 。 。 。 本数据集中的源文件和元数据文件按照EEG-BIDS组织 [27]。 。 。 。 此寄存器的目录树和一些数据预览以Fig显示.4.Fig. 4 Directory 树用于寄存器,预览 EEG 文件. 总体而言,存储器的数据由两部分组成:(1) 原始数据存储在主文件夹 -- -- `courcedata ' ;(2) 在衍生文件夹中处理过的数据存储 – '.mat' 文件 。 在这些目录中,对应每个主题的子目录被命名为"(sub-xxx)",其中xxxx代表主题的序列号. ### 原始数据 Neuracle为单一任务会话获取的原始数据被保存为".bdf"并按以下命名规则组织: 1. sub-xxxxx s-y\ egg\data.bdf, 请检查isbn=值 (帮助). sub-xxxxxs-y\egg-evt.bdf, 页面存档备份,存于互联网档案馆. 其中,xxx代表主题编号(2 C 数据集 :001, 002, …, 051; 3 C 数据集 :001, 002, …, 011),yy是录制会话编号(01, 02, 03) (中文(简体) ). 每个文件夹中有两个 ". bdf " 文件,即数据文件(data.bdf)和触发文件(evt.bdf)。 必须指出,将原始数据命名为“数据”和“evt”可确保数据在EEGLAB中适当打开。 ### 已处理数据 所处理的数据是通过基于MATLAB(R2021b)的EEGLAB(v2023.0)工具箱获得的. 在预处理步骤后,每个记录会话的数据被存储为一个文件. 每个文件的命名规则如下: 子xxxxx ses-y 任务-运动学-eg.mat, 每个 ".mat " 文件包含两个变量: 数据 :200 或者说 300 管理信息系统数据试验 2 C 数据集 :200 试验,3 C 数据集 :300(试验)100 每一类MI任务的试验。 其层面是[58 × 1000 × 200 或[58 × 1000 × 300,这是频道号×时间样本×试验号. 标签 : 它包含任务触发符( :2 C 数据集:`1" 和 "2’, 3 C 数据集:`1’, ‘2"还有"3’). ## 技术鉴定 我们通过时频空间域可视化和MI-BCI域中常用的分类算法来评价数据集. 在MI期间,大脑皮质在具体的节奏信号上发生显著变化,特别是有m-r-hythm (.8–12 Hz)和β-韵律(13–30 Hz) [28]。 。 。 。 这些信号的改变在理解核磁共振的基本神经机能方面发挥着至关重要的作用. 我们着重探讨与事件有关的去同步/同步(ERD/ERS)特性,这些特性对管理信息系统的任务至关重要。 ERD/ERS的特征因参与MI任务的四肢不同而在整个大脑的空间分布模式不同. 这些规律与活性四肢相适应的皮质运动区域分布.[29] . 除了可视化分析,使用高级算法评价MI数据的质量是一种有效的方法. 分类算法的性能可以作为对数据质量的间接衡量 [30]。 。 。 。 总体分类性能可以揭示整个数据集的可用性和质量. ### 临时域 最近的研究越来越证实了ERD/ERS作为研究大脑功能信号的有效分析方法的效用. 在我们的研究中,我们特别侧重于 " 音乐节 " 的ERD/ERS(8–12 Hz)),与肢体感觉运动活动密切相关. 这种节奏可以通过感官刺激和运动活动来调节. 我们的研究中计算ERD/ERS的过程有条不紊的结构如下:(1) 这个 8–12 Hz 在EEG信号上进行波段通过过滤;(2) 被过滤的EEG信号的每个样本点为平方;(3) 与同一MI任务相对应的平方 EEG 信号被叠加和平均;(4) 平均曲线采用滑动时间窗口来平滑.(5) 使用公式获得ERD/ERS衡量标准: ```xml \documentclass[12pt]{minimal} \usepackage{amsmath} \usepackage{wasysym} \usepackage{amsfonts} \usepackage{amssymb} \usepackage{amsbsy} \usepackage{mathrsfs} \usepackage{upgreek} \setlength{\oddsidemargin}{-69pt} \begin{document}$${ERD}/{ERS}=\frac{A-R}{R}\times 100 \% $$\end{document}ERD/ERS=A−RR×100% ``` 在这里, ```xml \documentclass[12pt]{minimal} \usepackage{amsmath} \usepackage{wasysym} \usepackage{amsfonts} \usepackage{amssymb} \usepackage{amsbsy} \usepackage{mathrsfs} \usepackage{upgreek} \setlength{\oddsidemargin}{-69pt} \begin{document}$$A$$\end{document}A ``` 代表MI期间特定频段中EEG信号的功率光谱密度(PSD),同时 ```xml \documentclass[12pt]{minimal} \usepackage{amsmath} \usepackage{wasysym} \usepackage{amsfonts} \usepackage{amssymb} \usepackage{amsbsy} \usepackage{mathrsfs} \usepackage{upgreek} \setlength{\oddsidemargin}{-69pt} \begin{document}$$R$$\end{document}R ``` 代表参考期内EEG信号同频段(恢复状态)的PSD. ```xml \documentclass[12pt]{minimal} \usepackage{amsmath} \usepackage{wasysym} \usepackage{amsfonts} \usepackage{amssymb} \usepackage{amsbsy} \usepackage{mathrsfs} \usepackage{upgreek} \setlength{\oddsidemargin}{-69pt} \begin{document}$$A$$\end{document}A ``` 财务报告和审定财务报表 ```xml \documentclass[12pt]{minimal} \usepackage{amsmath} \usepackage{wasysym} \usepackage{amsfonts} \usepackage{amssymb} \usepackage{amsbsy} \usepackage{mathrsfs} \usepackage{upgreek} \setlength{\oddsidemargin}{-69pt} \begin{document}$$R$$\end{document}R ``` 两者都是向量。 ### 光谱域 MI-EEG在光谱域中也表现出了明显的性能. 事件相关光谱扰动(ERSP)用于反映MI任务期间能量的变化 [31]. ERSP是EEG分析中用来检查脑振荡在响应特定事件或任务时光谱能的变化的方法. 它为 EEG 信号提供了时间频率的表示,并允许研究人员在不同的MI任务中调查神经活性的动态调节. ERSP涉及计算不同频率和时间点相对于基准期的光谱功率. 基准期通常是参与者处于休息状态或处于中立状态的任务前间隔期。 通过将任务或事件期间的光谱功率与基线进行比较,可以确定特定频段和时间间隔中与事件有关的功率变化. ERSP的计算过程涉及以下步骤:(1) 将短时间四倍转换(STFT)应用于预处理数据的时间频率分解;(2) 在时间频率表示法中计算每个时间点和频率桶的能量值;(3) 将管理信息系统任务开始前的时间作为基线期;(4) 计算利息事件和基准期间的平均能值。 计算ERSP的公式如下: ```xml \documentclass[12pt]{minimal} \usepackage{amsmath} \usepackage{wasysym} \usepackage{amsfonts} \usepackage{amssymb} \usepackage{amsbsy} \usepackage{mathrsfs} \usepackage{upgreek} \setlength{\oddsidemargin}{-69pt} \begin{document}$${ERSP}\left(f,t\right)=\frac{1}{n}\mathop{\sum }\limits_{k-1}^{1}{\left|{F}_{k}\left(f,t\right)\right|}^{2}$$\end{document}ERSPf,t=1n∑k−11Fkf,t2 ``` 在这里, ```xml \documentclass[12pt]{minimal} \usepackage{amsmath} \usepackage{wasysym} \usepackage{amsfonts} \usepackage{amssymb} \usepackage{amsbsy} \usepackage{mathrsfs} \usepackage{upgreek} \setlength{\oddsidemargin}{-69pt} \begin{document}$${F}_{k}(f,t)$$\end{document}Fk(f,t) ``` 是试验的光谱估计 ```xml \documentclass[12pt]{minimal} \usepackage{amsmath} \usepackage{wasysym} \usepackage{amsfonts} \usepackage{amssymb} \usepackage{amsbsy} \usepackage{mathrsfs} \usepackage{upgreek} \setlength{\oddsidemargin}{-69pt} \begin{document}$$k$$\end{document}k ``` 频率 ```xml \documentclass[12pt]{minimal} \usepackage{amsmath} \usepackage{wasysym} \usepackage{amsfonts} \usepackage{amssymb} \usepackage{amsbsy} \usepackage{mathrsfs} \usepackage{upgreek} \setlength{\oddsidemargin}{-69pt} \begin{document}$$f$$\end{document}f ``` 时间 ```xml \documentclass[12pt]{minimal} \usepackage{amsmath} \usepackage{wasysym} \usepackage{amsfonts} \usepackage{amssymb} \usepackage{amsbsy} \usepackage{mathrsfs} \usepackage{upgreek} \setlength{\oddsidemargin}{-69pt} \begin{document}$$t$$\end{document}t ``` . ### 空间域 共同空间图案(CSP)是在分析EEG和其他生物信号时被广泛使用的方法. 它在提取显示不同大脑状态之间最大差异的空间模式方面特别有效. 在预处理EEG信号后,CSP算法被应用来通过计算出一组空间滤波器来提取空间特征. 在CSP算法中,一组空间滤波器根据不同条件或任务的EEG信号的共变矩阵来计算. CSP的目标是找到一组空间滤波器,使一个类的信号相差最大,并尽量减少另一个类的信号相差最小. 这是通过解决以下优化问题来实现的: ```xml \documentclass[12pt]{minimal} \usepackage{amsmath} \usepackage{wasysym} \usepackage{amsfonts} \usepackage{amssymb} \usepackage{amsbsy} \usepackage{mathrsfs} \usepackage{upgreek} \setlength{\oddsidemargin}{-69pt} \begin{document}$${\arg }\,{\max }\sum _{i,j}\frac{{var}\left({X}_{i}W\right)}{{var}({X}_{j}W)}$$\end{document}argmax∑i,jvarXiWvar(XjW) ``` 在哪里, ```xml \documentclass[12pt]{minimal} \usepackage{amsmath} \usepackage{wasysym} \usepackage{amsfonts} \usepackage{amssymb} \usepackage{amsbsy} \usepackage{mathrsfs} \usepackage{upgreek} \setlength{\oddsidemargin}{-69pt} \begin{document}$${X}_{i}$$\end{document}Xi ``` 代表不同类的EEG信号矩阵, ```xml \documentclass[12pt]{minimal} \usepackage{amsmath} \usepackage{wasysym} \usepackage{amsfonts} \usepackage{amssymb} \usepackage{amsbsy} \usepackage{mathrsfs} \usepackage{upgreek} \setlength{\oddsidemargin}{-69pt} \begin{document}$$W$$\end{document}W ``` 是空间过滤器的矩阵。 var(Xi W)和 var(Xj W)是各类预测信号的相差. 这个 ```xml \documentclass[12pt]{minimal} \usepackage{amsmath} \usepackage{wasysym} \usepackage{amsfonts} \usepackage{amssymb} \usepackage{amsbsy} \usepackage{mathrsfs} \usepackage{upgreek} \setlength{\oddsidemargin}{-69pt} \begin{document}$$W$$\end{document}W ``` 因此,空间滤波器可以加强或抑制对区分类别最有用的特定空间模式。 这些空间成分随后被作为分类的特征来使用,这有利于改善BCI系统的性能,将注意力集中在与MI任务最相关的大脑领域. 这种空间特征提取方法会增强大脑状态的区别性,使其成为MI-BCI应用的强大工具. ### 可视化结果 图 5, 6 显示时间光谱空间域的可视化。 图 5 说明可视化结果 2 C数据集. 图 5(a) 在时间范围内描绘ERD/ERS现象。 结果是所有参与者的平均数,基线是在 1- MI任务开始前的第二阶段。 从花从.5(a) 可以看出,2 C数据集显示了一种独特的ERD/ERS现象. 当想象出左手取草时,电极C3的振幅会增加,而C4的振幅会减少,而想象出右手取草则显示出相反的模式. 发相. 5 视觉效果 2 C数据集. (a) ERD/ERS. (b) 地形图,色条表示活化水平,“+”表示活化,“−”表示停用。 (c) ERSP。 发相. 6 视觉效果 3 C数据集. (a) ERD/ERS. (b) 地形图,色条表示活化水平,“+”表示活化,“−”表示停用。 (c) ERSP。 ERD现象比ERS更为显著,如"Fig"所描述.5(c),显示左手取草任务期间C4通道的ERSP和右手取草期间C3通道. (原始内容存档于2017-10-21). The ERSP in Fig.5(c) 与所观察到的ERD/ERS一致。5(a) 报告 ERSP图案根据C3和C4通道的时间间隔来显示光谱可变性,这反映了感官活化和去功能. 左手和右手草的能量减少发生在 8–30 Hz 范围。 此外,据观察,想象出右手的反应时间快于左手,这可能与所有参与者都是右手有关. 进一步的分析是通过从Fig的所有主体中绘制CSP特征对(mu-hythm)的选定空间模式进行.5(b) 左(右)手MI导致右(左)运动皮层周围区域被激活。 图 5(b) 验证本报表。 同时从菲格可以观察到.5(b) MI任务不仅激活了运动区,而且还引发了视觉区的激活。 图 6 显示可视化结果 3 C数据集. 与 2 C 数据集 3 C数据集包括一个走脚任务. ERS/ERS、ERSP的分析结果,以及左手和右手任务的地貌图,均符合 2 C数据集. 值得一提的是双脚任务。 从花从.6(a) 可以观察到,双脚任务在Cz信道中显示出ERS现象。 图 6(c) 反映 8–30 Hz Cz 频道中的对脚任务。 在双脚运动的想象中,视觉区域也被激活,如"Fig"所显示.6(b) 国家 ### 分类业绩 在评估EEG信号的分类性能时,我们采用了传统的机器学习和深层学习方法. 在评价中坚持公平和准确的标准,a 10- 严格执行双倍交叉验证方法 [32] 编辑 10- 双重简历有助于更全面地评估两种情况。2 C 数据集和 3 C数据集. 这种方法不仅有助于深入了解每个数据集的长处和局限性,而且还能保证我们的评价是稳健的,能代表不同的数据假设情景。 在我们的研究中,采用了传统的机器学习算法,特别是CSP [31] 和过滤库共同空间模式(FBCSP)[33] 特性提取,与辅助向量机(SVM)配对 [33] 为分类。 这些方法被普遍认为是MI-BCI领域的基准算法.[34].CSP在从多通道的 EEG 数据中提取空间分布组件时是精通的. 它的核心原则是使用矩阵对角化来识别最佳空间滤波器. 这一过程使两等信号之间的相差最大化,从而产生高度差别的特征向量. 当任务复杂性增加(例如在多类分类中)时,CSP的性能往往会下降. FBCSP是根据CSP提出的,用于处理MI-EEG数据. 这种方法以有监督的方式计算出空间滤波器,侧重于EEG信号内的波段功率特征来改进分类. FBCSP涉及使用波段-通过滤波器将输入信号分解为多频段,由SVM作为分级器. 在处理更复杂的任务和多类问题时,FBCSP一般表现更好. 在EEG-BCI研究不断发展的地貌中,近年来一些深层次的学习结构得到了突出的体现.[35] 值得注意的是,深层ConvNet [36], EEGNet 网络 [37] 和FBC网络 [16] 是EEG研究中广泛采用的三种建筑. 它们的受欢迎程度部分归功于开放源码的可获性,这促进了它们在各种EEG-BCI研究中的广泛使用和应用. EEGNet是一个专门,紧凑的神经网络(CNN)架构,明确为EEG-BCI所设计. 它的紧凑设计使得能够从BCI研究中常见的相对较小的数据集中有效学习,而它的演化地层则适合捕捉EEG信号所固有的时间动态和空间模式. 深层ConvNet代表了一种先进的深层学习架构,专门用来直接学习和解释EEG信号的时域和光谱域特征. 通过综合从两个领域学习,深层ConvNet提供了对EEG数据的全面理解,使EEG信号解释更加细微和准确. FBCNet在其架构中引入了创新的差异层,具体设计是为了有效汇总来自EEG信号的时域信息. 差异层通过计算跨时间的统计度量来运作,强调特定间隔的 EEG 信号的变化和规律. 这一新奇的特点是FBCNet是EEG-BCI研究领域的有力工具,提高了EEG数据分析的深度和精度. 为了更有效更合理地分析数据集的分类性能,三个深层学习算法采用了相同的训练参数. 每个算法的选定参数包括批量大小:16,学习率 0.001 NLLLoss 和亚当优化器的丢失函数。 同时验证这两个数据集的这些深入学习方法,进一步全面审视了这些方法在各种数据假设中的适用性和有效性。 为了确保评价的一致性,我们对所有深层学习算法采用了同样的培训程序。 采用了两阶段培训战略 [16],将培训数据进一步分为培训和鉴定组。 具体而言,在培训过程中,80% 用于培训模型的数据;10% 用于校正超参数并监测性能,其余 10% 用于测试以评估最终模型的通缩能力。 在第一阶段,该模型专门接受了关于培训集的培训,其性能利用验证集的准确性不断得到监测。 如果验证组的准确性没有提高,则培训过程将停止。200 相接的时代,与最高验证集精度相对应的网络参数被恢复. 这种办法确保该模型不会过度适应,并保留最佳参数。 随后,第二阶段的培训开始使用恢复型号作为起点。 在这一阶段,该模型接受了综合数据集的培训,包括培训集和验证集(称为培训数据)。 第二阶段培训因测试装置损失低于第一阶段实现的损失而终止。 这一分两个阶段的战略使该模式得以在保持强力通化性能的同时,进一步完善其参数. 培训时间限制为:1500 财务报告和审定财务报表 600 培训阶段 1 财务报告和审定财务报表 2 分别是: 我们进行了交叉验证,以评估所有算法的性能。 准确性确实是一个非常有效和直观的评价衡量标准,也是最常用的。 计算公式如下: ```xml \documentclass[12pt]{minimal} \usepackage{amsmath} \usepackage{wasysym} \usepackage{amsfonts} \usepackage{amssymb} \usepackage{amsbsy} \usepackage{mathrsfs} \usepackage{upgreek} \setlength{\oddsidemargin}{-69pt} \begin{document}$${\rm{Accuracy}}\left( \% \right)=\frac{{TP}+{TN}}{{TP}+{TN}+{FP}+{FN}}\times 100 \% $$\end{document}Accuracy%=TP+TNTP+TN+FP+FN×100% ``` 在这里,TP代表真实正数,TN代表真实正数,FP代表假正数,FN代表假正数. 图 7 显示不同基准算法下两个数据集的平均分类精度,输入数据包括预处理数据 58- 频道录音 图 7(a) 在我们的研究中说明整个系统的平均分类准确性;153 独立记录会议 2 C数据集,使用五个不同的算法. 反之,费格.7(b) 说明平均分类准确性。33 独立届会 3 C数据集,使用四个算法分析. 在对 2 C数据集,每个算法实现的分类敏锐度显著不同,具有 61.12%(CSP + SVM), (中文(简体) ).67.46%(FBCSP + SVM),85.32%(埃及网络),84.47%(深交所网)和 78.40%(FBC网). 每种算法在 3 C 数据集为 58.40%(FBCSP + SVM),75.34%(埃及网络),76.90%(深交所网)和 74.77%(FBCNet)分别. 图7 2 页:1 3 C数据集. 红色虚线表示机会水平 p = 0.01 [38](a) 分类准确性 2 C数据集. (b) 分类准确性 3 C数据集. 可以看出,EEGNet在两个数据集上表现出了优越的分类性能. 必须指出,每场录音会议只包括:200 试验 2 C数据集)或 300 试验 3 C数据集),是用于深层学习算法的相对较小的数据集. 然而,EEGNet的绩效突出了它在处理有限的培训数据方面的效力,使它成为在数据提供受到限制的情况下的有力选择。 这些结果强调了EEGNet对于高效处理更小的数据集的适应性,这是基于EEG的BCI研究中常见的挑战. 对不同记录会议分类准确性的分析表明,与参与者使用BCI系统的经验有关的一个明显趋势。 图表 2 显示通过EEGNet获得的三会的平均分类准确性。 从表格 2,可以看出在两个数据集中,会话的分类准确性 1 最低数(2 C 数据集 :81.77%, 3 C 数据集 :71.91% 页:1 3 最高( 3)2 C 数据集 :88.90%, 3 C 数据集 :83.27%). #### 图表 2: 3次记录会的平均分类准确度 2 C 数据集和 3 C数据集. |平均准确性| | | | | --- | --- | --- | --- | | |届会1|会议2|届会3| | 2 C 数据集 | 81.77% | 86.63% | 88.90% | | 3 C 数据集 | 71.91% | 75.52% | 83.27% | 还有,菲格 8 显示三个录制会话中所有主题的分类精度。 如法格所描绘.8(a) 分类准确性 51 题目一般从第一至第三录音课增加。 这种模式表明,学员们越来越熟悉和精通管理事务。 大部分题材在第三回录音课的准确度较高,表明题材在前两次录音课(如S1,S2,S4,S10,S19等)中获得了MI经验. 所有三个录制环节都有少数数据分类性能高的学科(S3,S6,S20,S24,S26等). 这可能反映出一种天赋。 然而,有一些例外,例如主题S9和S16在第三会中表现不佳,表明个人学习曲线的可变性. 发相. 8 三次记录会议的分类精确度分布图 2 C 数据集和 3 C 数据集。 (a) 分类准确性 2 C数据集. (b) 分类准确性 3 C数据集. 同样,3 C数据集,如图所示.8(b) 显示出可比较的特点。 这些观测结果为利用这一数据集的研究人员提供了宝贵的见解,为深入探讨影响BCI任务中学习和适应的因素提供了一个独特的机会。 ## 讨论情况 为了进一步评估数据集的质量和适用性,我们将其分类性能与两个广泛使用的EEG数据集进行比较:BCI IV-2a 数据集 [17] 和 OpenBMI 数据集 [15]。 。 。 。 选择这些数据集是因为它们在实验设计和任务范式中的相似性. 最重要的数据集特征汇总于表 3. #### 图表 3: 从文献中比较选定数据集的特征。 | |数据集|主题|会议次数|{\fn方正粗倩简体\fs12\an8\1cHFFFF00\b0}班级|# 频道 #| | --- | --- | --- | --- | --- | --- | |现有| BCI IV - (英语).2a | 9 | 2 | 4 | 22 | |打开BMI| 54 | 2 | 2 | 20 | | |本文| 2 C级 | 51 | 3 | 2 | 58 | | 3 C级 | 11 | 3 | 3 | 58 | | 为了进行这种比较,我们对所有数据集采用了同样的预处理和分类算法。 然后使用一个一致的评价框架对数据集的分类精度进行评价。 图表 4 使用相同的算法显示三个数据集的平均分类速率。 我们的数据集实现了平均分类精确度 85.31% 联 合 国 2 C 数据集和 76.90% 联 合 国 3 C数据集. 相比之下,BCI IV -2a 数据集已实现 79.03%(四等),同时实现 OpenBMI 数据集 74.70%(两等). #### 图表 4:通过使用所选数据集的数据,对所有主题和会话进行平均解码。 |数据集|EEGNet 网络|深层ConvNet|FBC网络| | --- | --- | --- | --- | | BCI IV - (英语).2a | 73.13% | 72.20% | 79.03% | |打开BMI| 70.89% | 68.33% | 74.70% | | 2 C级 | 85.31% | 84.47% | 78.40% | | 3 C级 | 75.34% | 76.90% | 74.77% | 比较表明,我们的数据组比BCI IV 2a 和OpenBMI数据集在总体评价方面,包括主题数,录制会话数,频道数,分类精度等. 这表明,我们的数据集不仅提供了更高质量的数据,而且具有更大的潜力来支持发展强有力的MI-BCI系统。 优异的表现可能归因于主题数量多,包含多个任务,以及跨越三会的高质量信号录音. 通过同现有数据集进行比较进行技术验证,证实了我国用于MI-BCI研究的数据集的高质量和潜力。 未来的研究将进一步探索该数据集如何能够为推进分类算法和提高MI-BCI系统的稳健性做出贡献. ## 用法说明 这个全面的MI-EEG数据集包括两个子集:2 C 数据集和 3 C数据集. 用户可以随时下载数据集和附带代码. ' code.rar ' 文件包含五个基准算法以及所有主题和会话的分类结果。 那个 2 C 数据集.rar " 和 "3 C 数据集. rar 的文件包含原始和预处理的数据 。 为了有效利用这一数据集和代码,我们提出以下准则: 用户可以加载 " 处理后的数据 " 文件,并应用 " code.rar " 中的算法来解码这些数据。 结果应与我们文件中所报告的结果一致。 用户可以从加载“rawdata”文件开始,然后在 MATLAB 中使用 EEGLAB 进行处理。 随后,可以使用"code.zip"算法来解码这些已处理的数据,得出与我们的研究中类似的结果. 为了进一步进行BCI研究,用户可以加载"rawdata"文件并应用自己的预处理和解码码. ## 补充资料 补充数据匿名 出版商的《Springer Nature》在公布的地图和机构隶属关系方面的管辖权主张方面保持中立。 这些作者的贡献同样是:Banghua Yang, Fenqi Rong. ## 补充资料 在线版本载有可在下列网址查阅的补充材料:10.1038/s41597-025-04826-y. ## 鸣谢 这项工作得到中国国家重点研究开发计划(2024YFF1206500,2024YFF1206502),中国国家自然科学基金会的部分支持.(62376149);上海科技项目(24DZ22015);上海重大科技项目(2021SHZDZX). ## 作者贡献 资源,监管,邦花杨;概念化,正文分析,写作,芬克荣;软件,数据整理,云龙谢,薄一波,佳阳张;调查,傅立,广明史,小龙高. ## 代码可用性 数据集载有本文中存储在 " code.zip " 的所有算法的脚本。 所有代码都在 Python 中执行 3.7. ## 竞合利益 来文人宣布没有相互竞争的利益。 ## 参考文献（保留原文） - 1. Mane R Chouhan T Guan C BCI for stroke rehabilitation: motor and beyond J. Neural Eng. 2020 17 041001 32613947 10.1088/1741-2552/aba162 Mane, R., Chouhan, T. & Guan, C. BCI for stroke rehabilitation: motor and beyond. J. Neural Eng. 17, 041001 (2020). 32613947 10.1088/1741-2552/aba162 - 2. Nourmohammadi A Jafari M Zander TO A survey on unmanned aerial vehicle remote control using brain–computer interface IEEE Trans. Hum-Mach. Syst. 2018 48 337 348 Nourmohammadi, A., Jafari, M. & Zander, T. O. A survey on unmanned aerial vehicle remote control using brain–computer interface. IEEE Trans. Hum-Mach. Syst. 48, 337–348 (2018). - 3. Fleury M Figueiredo P Vourvopoulos A Lecuyer A Two is better? Combining EEG and fMRI for BCI and neurofeedback: A systematic review J. Neural Eng. 2023 20 051003 10.1088/1741-2552/ad06e1 37879343 Fleury, M., Figueiredo, P., Vourvopoulos, A. & Lecuyer, A. Two is better? Combining EEG and fMRI for BCI and neurofeedback: A systematic review. J. Neural Eng. 20, 051003 (2023). 10.1088/1741-2552/ad06e1 37879343 - 4. Hosni SM Borgheai SB Mclinden J Shahriari Y An fNIRS-based motor imagery BCI for ALS: A subject-specific data-driven approach IEEE Trans. Neural Syst. Rehabil. Eng. 2020 28 3063 3073 33206606 10.1109/TNSRE.2020.3038717 Hosni, S. M., Borgheai, S. B., Mclinden, J. & Shahriari, Y. An fNIRS-based motor imagery BCI for ALS: A subject-specific data-driven approach. IEEE Trans. Neural Syst. Rehabil. Eng. 28, 3063–3073 (2020). 33206606 10.1109/TNSRE.2020.3038717 - 5. Abiri R Borhani S Sellers EW Jiang Y Zhao X A comprehensive review of EEG-based brain–computer interface paradigms J. Neural Eng. 2019 16 011001 30523919 10.1088/1741-2552/aaf12e Abiri, R., Borhani, S., Sellers, E. W., Jiang, Y. & Zhao, X. A comprehensive review of EEG-based brain–computer interface paradigms. J. Neural Eng. 16, 011001 (2019). 30523919 10.1088/1741-2552/aaf12e - 6. Craik A He Y Contreras-Vidal JL Deep learning for electroencephalogram (EEG) classification tasks: a review J. Neural Eng. 2019 16 031001 30808014 10.1088/1741-2552/ab0ab5 Craik, A., He, Y. & Contreras-Vidal, J. L. Deep learning for electroencephalogram (EEG) classification tasks: a review. J. Neural Eng. 16, 031001 (2019). 30808014 10.1088/1741-2552/ab0ab5 - 7. Kwak NS Müller KR Lee SW A convolutional neural network for steady state visual evoked potential classification under ambulatory environment PloS One. 2017 12 e0172578 28225827 10.1371/journal.pone.0172578 PMC5321422 Kwak, N. S., Müller, K. R. & Lee, S. W. A convolutional neural network for steady state visual evoked potential classification under ambulatory environment. PloS One. 12, e0172578 (2017). 28225827 10.1371/journal.pone.0172578 PMC5321422 - 8. Yeom SK Fazli S Müller KR Lee SW An efficient ERP-based brain-computer interface using random set presentation and face familiarity PloS One. 2014 9 e111157 25384045 10.1371/journal.pone.0111157 PMC4226481 Yeom, S. K., Fazli, S., Müller, K. R. & Lee, S. W. An efficient ERP-based brain-computer interface using random set presentation and face familiarity. PloS One. 9, e111157 (2014). 25384045 10.1371/journal.pone.0111157 PMC4226481 - 9. Gaur P A sliding window common spatial pattern for enhancing motor imagery classification in EEG-BCI IEEE Trans. Instrum. Meas. 2021 70 1 9 Gaur, P. et al. A sliding window common spatial pattern for enhancing motor imagery classification in EEG-BCI. IEEE Trans. Instrum. Meas. 70, 1–9 (2021).33776080 - 10. Rong F Yang B Guan C Decoding multi-class motor imagery from unilateral limbs using EEG signals IEEE Trans. Neural Syst. Rehabil. Eng. 2024 32 3399 3409 39236133 10.1109/TNSRE.2024.3454088 Rong, F., Yang, B. & Guan, C. Decoding multi-class motor imagery from unilateral limbs using EEG signals. IEEE Trans. Neural Syst. Rehabil. Eng. 32, 3399–3409 (2024). 39236133 10.1109/TNSRE.2024.3454088 - 11. Benzy VK Vinod AP Subasree R Alladi S Raghavendra K Motor imagery hand movement direction decoding using brain computer interface to aid stroke recovery and rehabilitation IEEE Trans. Neural Syst. Rehabil. Eng. 2020 28 3051 3062 33211662 10.1109/TNSRE.2020.3039331 Benzy, V. K., Vinod, A. P., Subasree, R., Alladi, S. & Raghavendra, K. Motor imagery hand movement direction decoding using brain computer interface to aid stroke recovery and rehabilitation. IEEE Trans. Neural Syst. Rehabil. Eng. 28, 3051–3062 (2020). 33211662 10.1109/TNSRE.2020.3039331 - 12. Khan MA Das R Iversen HK Puthusserypady S Review on motor imagery based BCI systems for upper limb post-stroke neurorehabilitation: From designing to application Comput. Biol. Med. 2020 123 103843 32768038 10.1016/j.compbiomed.2020.103843 Khan, M. A., Das, R., Iversen, H. K. & Puthusserypady, S. Review on motor imagery based BCI systems for upper limb post-stroke neurorehabilitation: From designing to application. Comput. Biol. Med. 123, 103843 (2020). 32768038 10.1016/j.compbiomed.2020.103843 - 13. Lee M Kim YH Lee SW Motor impairment in stroke patients is associated with network properties during consecutive motor imagery IEEE Trans. Biomed. Eng. 2022 69 2604 2615 35171761 10.1109/TBME.2022.3151742 Lee, M., Kim, Y. H. & Lee, S. W. Motor impairment in stroke patients is associated with network properties during consecutive motor imagery. IEEE Trans. Biomed. Eng. 69, 2604–2615 (2022). 35171761 10.1109/TBME.2022.3151742 - 14. Leeb, R., Brunner, C., Müller-Putz, G. R., Schlogl, A. & Pfurtscheller, G. BCI competition 2008–Graz data set B. Graz University of Technology, Austria. 16, 1–6 (2008). - 15. Lee MH EEG dataset and OpenBMI toolbox for three BCI paradigms: An investigation into BCI illiteracy GigaScience. 2019 8 giz002 30698704 10.1093/gigascience/giz002 PMC6501944 Lee, M. H. et al. EEG dataset and OpenBMI toolbox for three BCI paradigms: An investigation into BCI illiteracy. GigaScience. 8, giz002 (2019). 30698704 10.1093/gigascience/giz002 PMC6501944 - 16. Mane, R. et al. FBCNet: A multi-view convolutional neural network for brain-computer interface. Preprint at 10.48550/arXiv.2104.01233 (2021). - 17. Brunner C Leeb R Müller-Putz GR Schlogl A Pfurtscheller G BCI Competition 2008–Graz data set A Institute for knowledge discovery (laboratory of brain-computer interfaces), Graz University of Technology. 2008 16 1 6 Brunner, C., Leeb, R., Müller-Putz, G. R., Schlogl, A. & Pfurtscheller, G. BCI Competition 2008–Graz data set A. Institute for knowledge discovery (laboratory of brain-computer interfaces), Graz University of Technology. 16, 1–6 (2008). - 18. Zhang K Robinson N Lee S-W Guan C Adaptive transfer learning for EEG motor imagery classification with deep Convolutional Neural Network Neural Netw. 2021 136 1 33401114 10.1016/j.neunet.2020.12.013 Zhang, K., Robinson, N., Lee, S.-W. & Guan, C. Adaptive transfer learning for EEG motor imagery classification with deep Convolutional Neural Network. Neural Netw. 136, 1 (2021). 33401114 10.1016/j.neunet.2020.12.013 - 19. Yang B Fenqi R 2023 Source code for: WBCIC-SHU motor imagery dataset Figshare 10.25452/figshare.plus.22671172 Yang, B. & Fenqi, R. Source code for: WBCIC-SHU motor imagery dataset. Figshare 10.25452/figshare.plus.22671172 (2023). - 20. Sadiq MT A matrix determinant feature extraction approach for decoding motor and mental imagery EEG in subject-specific tasks IEEE Trans. Cogn. Dev. Syst. 2020 14 2 375 387 Sadiq, M. T. et al. A matrix determinant feature extraction approach for decoding motor and mental imagery EEG in subject-specific tasks. IEEE Trans. Cogn. Dev. Syst. 14 (2), 375–387 (2020). - 21. Kwon OY Lee MH Guan C Lee SW Subject-independent brain–computer interfaces based on deep convolutional neural networks IEEE Trans. Cogn. Dev. Syst. 2019 31 3839 3852 10.1109/TNNLS.2019.2946869 31725394 Kwon, O. Y., Lee, M. H., Guan, C. & Lee, S. W. Subject-independent brain–computer interfaces based on deep convolutional neural networks. IEEE Trans. Cogn. Dev. Syst. 31, 3839–3852 (2019). 10.1109/TNNLS.2019.2946869 31725394 - 22. Zhang, S. et al. Online adaptive CNN: A session-to-session transfer learning approach for non-stationary EEG. 2022 IEEE Symp. Ser. Comput. Intell. (SSCI). 164–170 (2022). - 23. Fan Z Joint filter-band-combination and multi-view CNN for electroencephalogram decoding IEEE Trans. Neural Syst. Rehabil. Eng. 2023 31 2101 2110 37083516 10.1109/TNSRE.2023.3269055 Fan, Z. et al. Joint filter-band-combination and multi-view CNN for electroencephalogram decoding. IEEE Trans. Neural Syst. Rehabil. Eng. 31, 2101–2110 (2023). 37083516 10.1109/TNSRE.2023.3269055 - 24. Wang J Cheng S Tian J Gao Y A 2d CNN-LSTM hybrid algorithm using time series segments of EEG data for motor imagery classification Biomed. Signal Process. Control. 2023 83 104627 Wang, J., Cheng, S., Tian, J. & Gao, Y. A 2d CNN-LSTM hybrid algorithm using time series segments of EEG data for motor imagery classification. Biomed. Signal Process. Control. 83, 104627 (2023). - 25. Cui Y Lder: A classification framework based on ERP enhancement in RSVP task J. Neural Eng. 2023 20 036029 10.1088/1741-2552/acd95d 37236176 Cui, Y. et al. Lder: A classification framework based on ERP enhancement in RSVP task. J. Neural Eng. 20, 036029 (2023). 10.1088/1741-2552/acd95d 37236176 - 26. van Steenbergen, H., Spapé, R. & Verdonschot, M. The E-Primer: An Introduction to Creating Psychological Experiments in E-Prime (2019). - 27. Pernet CR EEG-BIDS, an extension to the brain imaging data structure for electroencephalography Sci. Data 2019 6 103 31239435 10.1038/s41597-019-0104-8 PMC6592877 Pernet, C. R. et al. EEG-BIDS, an extension to the brain imaging data structure for electroencephalography. Sci. Data 6, 103 (2019). 31239435 10.1038/s41597-019-0104-8 PMC6592877 - 28. Pfurtscheller G Neuper C Andrew C Edlinger G Foot and hand area mu rhythms Int. J. Psychophysiol. 1997 26 121 135 9202999 10.1016/s0167-8760(97)00760-5 Pfurtscheller, G., Neuper, C., Andrew, C. & Edlinger, G. Foot and hand area mu rhythms. Int. J. Psychophysiol. 26, 121–135 (1997). 9202999 10.1016/s0167-8760(97)00760-5 - 29. Baniqued PDE Brain–computer interface robotics for hand rehabilitation after stroke: a systematic review J. NeuroEngineering Rehabil. 2021 18 1 25 10.1186/s12984-021-00820-8 PMC7825186 33485365 Baniqued, P. D. E. et al. Brain–computer interface robotics for hand rehabilitation after stroke: a systematic review. J. NeuroEngineering Rehabil. 18, 1–25 (2021). 10.1186/s12984-021-00820-8 PMC7825186 33485365 - 30. Grosse-Wentrup M Schölkopf B High gamma-power predicts performance in sensorimotor-rhythm brain–computer interfaces J. Neural Eng. 2012 9 046001 22713543 10.1088/1741-2560/9/4/046001 Grosse-Wentrup, M. & Schölkopf, B. High gamma-power predicts performance in sensorimotor-rhythm brain–computer interfaces. J. Neural Eng. 9, 046001 (2012). 22713543 10.1088/1741-2560/9/4/046001 - 31. Zhang Z Koike Y Clustered event related spectral perturbation (ERSP) feature in right hand motor imagery classification Front. Neurosci. 2022 16 867480 36051649 10.3389/fnins.2022.867480 PMC9424899 Zhang, Z. & Koike, Y. Clustered event related spectral perturbation (ERSP) feature in right hand motor imagery classification. Front. Neurosci. 16, 867480 (2022). 36051649 10.3389/fnins.2022.867480 PMC9424899 - 32. Fushiki T Estimation of prediction error by using k-fold cross-validation Stat. Comput. 2011 21 137 146 Fushiki, T. Estimation of prediction error by using k-fold cross-validation. Stat. Comput. 21, 137–146 (2011). - 33. Ang, K. K., Chin, Z. Y., Zhang, H. & Guan, C. Filter bank common spatial pattern (FBCSP) in brain-computer interface. 2008 IEEE Int. Joint Conf. Neural Networks. 2390–2397 (2008). - 34. An Y Lam HK Ling SH Multi-classification for EEG motor imagery signals using data evaluation-based auto-selected regularized FBCSP and convolutional neural network Neural Comput. Appl. 2023 35 12001 12027 An, Y., Lam, H. K. & Ling, S. H. Multi-classification for EEG motor imagery signals using data evaluation-based auto-selected regularized FBCSP and convolutional neural network. Neural Comput. Appl. 35, 12001–12027 (2023). - 35. Robinson, N., Lee, S.-W. & Guan, C. EEG representation in deep convolutional neural networks for classification of motor imagery. 2019 IEEE Int. Conf. Syst. Man Cybern. 1322–1326 (2019). - 36. Schirrmeister RT Deep learning with convolutional neural networks for EEG decoding and visualization Hum. Brain Mapp. 2017 38 5391 5420 28782865 10.1002/hbm.23730 PMC5655781 Schirrmeister, R. T. et al. Deep learning with convolutional neural networks for EEG decoding and visualization. Hum. Brain Mapp. 38, 5391–5420 (2017). 28782865 10.1002/hbm.23730 PMC5655781 - 37. Lawhern VJ EEGNet: a compact convolutional neural network for EEG-based brain–computer interfaces J. Neural Eng. 2018 15 056013 29932424 10.1088/1741-2552/aace8c Lawhern, V. J. et al. EEGNet: a compact convolutional neural network for EEG-based brain–computer interfaces. J. Neural Eng. 15, 056013 (2018). 29932424 10.1088/1741-2552/aace8c - 38. Combrisson E Jerbi K Exceeding chance level by chance: The caveat of theoretical chance levels in brain signal classification and statistical assessment of decoding accuracy J. Neurosci. Methods. 2015 250 126 136 25596422 10.1016/j.jneumeth.2015.01.010 Combrisson, E. & Jerbi, K. Exceeding chance level by chance: The caveat of theoretical chance levels in brain signal classification and statistical assessment of decoding accuracy. J. Neurosci. Methods. 250, 126–136 (2015). 25596422 10.1016/j.jneumeth.2015.01.010 ## 原文 DOI 与数字核对索引 下列不变量从原始载荷自动提取，仅用于核对译文完整性，不构成额外证据摘要。 - `10.1002/hbm.23730` - `10.1016/j.compbiomed.2020.103843` - `10.1016/j.jneumeth.2015.01.010` - `10.1016/j.neunet.2020.12.013` - `10.1016/s0167-8760(97)00760-5` - `10.1038` - `10.1038/s41597-019-0104-8` - `10.1038/s41597-025-04826-y` - `10.1088/1741-2552/aace8c` - `10.1088/1741-2552/aaf12e` - `10.1088/1741-2552/ab0ab5` - `10.1088/1741-2552/aba162` - `10.1088/1741-2552/acd95d` - `10.1088/1741-2552/ad06e1` - `10.1088/1741-2560/9/4/046001` - `10.1093/gigascience/giz002` - `10.1109/TBME.2022.3151742` - `10.1109/TNNLS.2019.2946869` - `10.1109/TNSRE.2020.3038717` - `10.1109/TNSRE.2020.3039331` - `10.1109/TNSRE.2023.3269055` - `10.1109/TNSRE.2024.3454088` - `10.1186/s12984-021-00820-8` - `10.13039` - `10.13039/501100001809` - `10.1371/journal.pone.0111157` - `10.1371/journal.pone.0172578` - `10.25452` - `10.25452/figshare.plus.22671172` - `10.3389/fnins.2022.867480` - `10.48550` - `10.48550/arXiv.2104.01233` - `0` - `0.001` - `0.01` - `0.1` - `0.3` - `0.5` - `00` - `0001` - `0004` - `001` - `002` - `00760` - `00820` - `01` - `0104` - `011` - `011001` - `0111157` - `0133` - `0146` - `016` - `0172578` - `019` - `02` - `021` - `023.0` - `025` - `03` - `031001` - `0345` - `036029` - `0369` - `041001` - `0431` - `04318` - `044e1` - `046001` - `04826` - `051` - `051003` - `056013` - `0568` - `06` - `0662` - `0707` - `073` - `1` - `1.0` - `1.4` - `1.5` - `10` - `10%` - `100` - `1000` - `100666` - `103` - `1033` - `1035` - `103843` - `104627` - `1068` - `11` - `11157` - `114` - `115762` - `11930978` - `12` - `120` - `12001` - `12027` - `121` - `123` - `124` - `12527.33` - `125394` - `126` - `127` - `13` - `1322` - `1326` - `135` - `136` - `137` - `1386` - `14` - `142` - `145` - `146` - `14844` - `148706` - `149` - `15` - `1500` - `153` - `159` - `1597` - `16` - `1624` - `164` - `1650` - `166` - `16602` - `167` - `1673` - `17` - `170` - `172578` - `1741` - `175` - `1761` - `177` - `18` - `182940` - `1848` - `188` - `1897` - `19` - `1900` - `191` - `192` - `1930978` - `1930978.1` - `1997` - `1998` - `1999` - `2` - `2.4` - `20` - `200` - `2008` - `2011` - `2012` - `2013` - `2014` - `2015` - `2015.01.010` - `201500` - `2017` - `2018` - `2019` - `2019.2946869` - `20190002` - `202` - `2020` - `2020.103843` - `2020.12.013` - `2020.3038717` - `2020.3039331` - `2021` - `2022` - `2022.3151742` - `2022.867480` - `2023` - `2023.3269055` - `2024` - `2024.3454088` - `20241031` - `2025` - `202500` - `202504` - `206500` - `206502` - `21` - `2101` - `2104.01233` - `2110` - `2139` - `22` - `226481` - `22671172` - `23` - `2300` - `2323` - `23730` - `2388` - `2390` - `2397` - `24` - `2407` - `2484` - `25` - `250` - `2552` - `2560` - `26` - `2604` - `2615` - `27` - `2730` - `28` - `286` - `29` - `2984` - `29e66918` - `3` - `3.0` - `3.7` - `30` - `300` - `3051` - `3062` - `3063` - `3073` - `31` - `313` - `317` - `3178` - `32` - `321422` - `322` - `33` - `337` - `33763.32` - `33776080` - `3399` - `34` - `3409` - `348` - `35` - `36` - `361` - `37` - `375` - `38` - `3809` - `3825582` - `3839` - `3852` - `387` - `39436` - `3e1054` - `3e1060` - `3e1133` - `3e1210` - `3e371` - `3e390` - `3e432` - `3e573` - `3e622` - `3e628` - `3e647` - `3e652` - `3e656` - `3e661` - `3e665` - `3e670` - `3e674` - `3e679` - `3e691` - `3e697` - `3e740` - `3e745` - `3e758` - `3e763` - `3e767` - `3e772` - `3e777` - `3e782` - `3e790` - `3e796` - `3e838` - `3e843` - `3e851` - `3e856` - `3e887` - `3e892` - `3e932` - `3e949` - `4` - `4.0` - `40` - `413` - `41597` - `4195` - `419897` - `424899` - `427` - `4338` - `440736.2` - `4463` - `45` - `46` - `46566` - `4672672` - `4696` - `47` - `48` - `48.597` - `4815` - `4826` - `488` - `49` - `4e0` - `4e0513` - `4e6138` - `5` - `50` - `501100001809` - `501944` - `51` - `51143` - `52572` - `5391` - `54` - `5420` - `5421` - `549` - `55` - `563e4` - `5692914` - `57` - `5732` - `58` - `58.40%` - `5868` - `59` - `592877` - `59e1` - `5e3` - `6` - `60` - `600` - `61` - `61.12%` - `619` - `62` - `62376149` - `625` - `6393` - `64` - `640` - `655781` - `660` - `66263` - `669` - `67` - `67.46%` - `6786` - `684` - `69` - `6922` - `6923` - `6e1` - `6e8974` - `7` - `7.5` - `70` - `71.91%` - `71438` - `731` - `739` - `74.7%` - `74.70%` - `74.77%` - `75.34%` - `750` - `758` - `76.9%` - `76.90%` - `760` - `7671` - `78.40%` - `79.03%` - `792` - `8` - `80` - `80%` - `805` - `81.77%` - `82` - `825186` - `83` - `83.27%` - `84.47%` - `842` - `85.3%` - `85.31%` - `85.32%` - `8601` - `867480` - `87` - `8714571` - `8760` - `88` - `88.90%` - `8e63` - `9` - `9.96` - `90` - `91` - `9120e2` - `92` - `920` - `92166e961` - `940` - `95` - `957` - `96661` - `97` - `>0000` - `>1` - `>10` - `>10.1002` - `>10.1016` - `>10.1038` - `>10.1088` - `>10.1093` - `>10.1109` - `>10.1186` - `>10.1371` - `>10.25452` - `>10.3389` - `>11` - `>11930978` - `>120` - `>13` - `>14` - `>15` - `>16` - `>17` - `>18` - `>19` - `>2` - `>20` - `>2008` - `>2019` - `>2022` - `>2052` - `>21` - `>22` - `>22713543` - `>23` - `>25` - `>25384045` - `>25596422` - `>26` - `>2628` - `>27` - `>28` - `>28225827` - `>28782865` - `>29` - `>29932424` - `>3` - `>30` - `>30523919` - `>30698704` - `>30808014` - `>31` - `>31239435` - `>31725394` - `>32` - `>32613947` - `>32768038` - `>33` - `>33206606` - `>33211662` - `>33401114` - `>33485365` - `>34` - `>35` - `>35171761` - `>36` - `>36051649` - `>37` - `>37083516` - `>37236176` - `>37879343` - `>38` - `>39236133` - `>4` - `>40122923` - `>478261` - `>4826` - `>5` - `>51` - `>54` - `>58` - `>6` - `>68.33%` - `>7` - `>70.89%` - `>71.91%` - `>72.20%` - `>73.13%` - `>74.70%` - `>74.77%` - `>75.34%` - `>75.52%` - `>76.90%` - `>78.40%` - `>79.03%` - `>8` - `>81.77%` - `>83.27%` - `>84` - `>84.47%` - `>85.31%` - `>86.63%` - `>88.90%` - `>9` - `>9202999` - `~70`