一个关于自由意志到达和抓取任务的大规模脑电图数据库，用于脑机接口研究

《Scientific Data》：A large electroencephalogram database of freewill reaching and grasping tasks for brain machine interfaces

脑机接口（BMI）研究新数据集：23名健康受试者完成6808次自由意志抓取任务，提供同步EEG/EOG/加速度信号，包含4种目标杯选择，采用BIDS结构组织，支持眼动伪影校正（Extended Infomax ICA），验证显示运动意图分类准确率达85.45%-90.6%。

　　脑机接口（Brain Machine Interface, BMI）为神经疾病或严重运动障碍患者提供了改善生活质量的潜在方法。在多种神经记录方式中，脑电图（Electroencephalogram, EEG）因其非侵入性、便携性和高时间分辨率而成为BMI研究中的首选。然而，现有的EEG数据集往往局限于实验环境，未能充分反映被试在任务中的自由意志。为此，我们提供了一个大规模的EEG数据集，共包含6808次试验，记录了23名健康年轻成年人（8名女性，15名男性，年龄在18至24岁之间）在执行自由选择目标的伸手和抓取任务时的脑电活动。此数据集能够更真实地反映日常活动中的伸手和抓取动作，为开发实用的BMI系统提供了重要的数据支持。

脑机接口能够实现用户与外部设备（如假肢或计算机光标）之间的通信，为脊髓损伤、中风和肌萎缩侧索硬化症等患者带来了希望。EEG-based BMI因其非侵入性和便于携带而被广泛研究。此外，EEG能够以毫秒级的时间精度捕捉神经动态，因此在需要及时响应的实时BMI应用中备受青睐。近年来，EEG-based BMI在多个领域展示了良好的应用前景，包括光标控制、打字系统、轮椅控制和机械臂控制等。例如，在一维和二维光标控制中，EEG-based BMI实现了超过90%的准确率；在打字系统中，报告了高达325位/分钟的信息传输率；在轮椅控制方面，通过混合控制策略（运动想象与稳态视觉诱发电位）成功实现了安全的直线和曲线路径导航；在机械臂控制中，有四名受试者实现了平均85.45%的准确率。

然而，传统EEG-based BMI通常由实验者预设任务的开始时间和目标选择，忽略了被试的自由意志。自由意志动作与被动动作在神经机制上存在显著差异。自由意志动作主要依赖补充运动区，而被动动作则主要涉及背侧前运动皮层。此外，EEG记录中的神经相关信号也反映出这种差异。例如，在右拇指按键任务中，允许被试自由选择目标时，C3-Cz双极EEG中出现更强的事件相关同步（ERS），而在基于提示的范式中则较少见。同样，自由意志动作在Cz通道中表现出更高的运动相关电位（MRCs）峰值，无论是肩部外展（12 μV vs. 6.5 μV提示）还是手指外展（9.5 μV vs. 6.2 μV提示）。

目前，公开可用的EEG数据集仅有一个专门用于自由意志运动任务，且仅包含两名被试在自由按键任务中的记录。相比之下，我们提供的数据集包含了23名健康被试，他们完成了自由选择目标的伸手和抓取任务，总共有6808次试验。这一数据量的显著增加，使该数据集在研究日常活动中自由意志运动控制方面具有更大的价值。此外，我们还提供了同步记录的电眼图（Electrooculogram, EOG）数据，这有助于研究有效的伪影去除策略。目前仅有九个公开的EEG数据集包含EOG信号，而EOG可以有效去除眨眼和扫视等眼动伪影，提高EEG信号的质量。通过EOG校正后的EEG信号，可以显著提高睡眠阶段分类的准确率，并在多个被试中改善运动想象任务的分类精度。

我们还提供了连续的EEG数据，包括运动计划和执行阶段的信号。这种数据格式使得研究者能够捕捉到运动阶段（运动开始前后）与非运动阶段（休息或空闲）之间的过渡，从而更全面地理解神经动态。这不仅有助于BMI系统的设计，还能模拟在线BMI实现，使系统能够动态地解释用户的意图。此外，连续数据还能够揭示神经响应如何随时间适应和变化，这是分段数据难以捕捉的。在现有的20个EEG数据集中，有16个提供了连续数据，这为实时BMI研究提供了更大的灵活性。

本研究发布了一个大规模的自由意志EEG数据集，其独特之处在于以下几个方面：首先，该数据集记录了被试在自由意志下完成伸手和抓取任务时的脑电活动，允许研究者探索与自由意志相关的神经动态。其次，数据集包括实际的运动执行，使研究者能够更深入地理解与实际运动相关的神经活动。第三，数据集的规模远大于现有的公开数据集，提供了更丰富的数据支持。第四，数据集包含同步记录的EOG信号，为去除眼动伪影提供了有效手段。最后，该数据集包含连续记录的原始数据，便于研究者进行各种信号处理和分析，以理解运动前和运动后的神经活动。

数据集的结构和组织方式遵循EEG-BIDS标准，确保数据的标准化和可重复性。数据集以压缩文件的形式发布，名为“Freewill_EEG_Reaching_Grasping.zip”，可在Figshare数据仓库中访问。数据集包含原始EEG文件、实验视频示例以及支持代码，以生成实验中使用的音频提示并再现研究结果。此外，数据集还包含详细的元数据文件，包括修改记录、数据集描述、受试者信息、目录结构说明和实验细节。

在数据集的组织结构中，根目录包含六个元数据文件，分别记录数据集的修改历史、数据集描述、受试者信息、相关文件的描述、实验细节和事件信息。每个被试都有一个独立的目录，其中包含多个会话的记录，每个会话又包含多个实验运行。实验运行中记录了被试的脑电活动，以及实验中的事件信息，如实验开始和结束时间、运动开始时间等。这些信息被存储在一个名为“dataTable”的结构中，便于后续分析。

在技术验证方面，我们评估了EOG信号在去除眼动伪影中的有效性。通过使用扩展信息最大化（Extended Infomax）算法，我们能够有效识别和去除与眼动相关的独立成分。去除这些成分后，EEG信号的质量显著提高，特别是在Fp1和Fp2通道中，信号的振幅明显减少。此外，我们还通过可视化平均事件相关电位（ERP）和神经解码性能来验证数据集的有效性。ERP的计算基于相同目标的试验，并通过标准化处理评估其变异性。这些ERP信号在运动开始后的不同时间段内表现出不同的特征，反映了被试在不同目标选择下的神经活动差异。

为了进一步验证数据集的可靠性，我们使用线性支持向量机（LSVM）对运动意图进行分类。LSVM在EEG-based BMI中被广泛应用，因其简单而有效的性能。在我们的实验范式中，每个目标对应一个独特的类别，因此这是一个四类分类任务。通过使用“一对所有”（one-vs-all）方法，我们能够评估LSVM在不同时间段内的分类准确率。在所有49个实验会话中，平均分类准确率均超过75%，其中在0.5-1秒的时间窗口内，平均准确率达到90.6%。这些结果表明，该数据集在区分不同运动意图方面具有良好的可靠性。

此外，我们还提供了MATLAB和Python代码，用于数据的处理和分析。这些代码能够自动检测实验开始和结束时间，以及运动开始时间，并将这些信息存储在结构化数据中。通过这些代码，研究者可以轻松地加载和处理数据，从而进一步探索EEG信号中的神经活动模式，并开发更有效的BMI系统。数据集的开放性和标准化结构，使其成为研究自由意志运动控制的重要资源，同时也为未来的研究提供了基础。