《Scientific Data》:Multimodal EEG, ECG, and video dataset of yoga practitioners during concentration and mind-wandering tasks
编辑推荐:
本研究为探究专注与走神状态下神经生理信号特征,收集了49名参与者在静息、内外专注及走神任务下的多模态数据。该数据集同步记录了64导联脑电图(EEG)、心电图(ECG)及面部视频,包含有/无瑜伽经验的对比组,为研究注意力、冥想及多模态信号融合提供了高质量、已验证的资源,具有重要研究价值。
在认知神经科学与心理健康研究领域,精确理解人类注意力状态(如深度专注与自发走神)的内在生理机制,一直是研究者们追求的目标。然而,这一探索面临诸多现实挑战。首先,高质量的神经生理数据,特别是多模态同步数据(如结合脑电、心电与行为视频)仍然稀缺,限制了研究人员从多维度关联性视角深入挖掘认知状态背后的复杂生物信号网络。其次,现有研究往往样本同质性较高,缺乏对不同训练背景(如长期冥想者与新手)人群的系统性比较,使得我们难以区分某些神经模式是特定训练的结果还是普遍认知功能的体现。此外,许多数据集在任务设计的生态效度、数据记录的同步精度以及后续分析的便捷性方面仍有提升空间。这些问题共同阻碍了我们在注意力调控、冥想干预效果评估以及情感计算等领域的深入研究。
为了填补这些空白,一项题为“Multimodal EEG, ECG, and video dataset of yoga practitioners during concentration and mind-wandering tasks”的研究在《Scientific Data》上发布。该研究团队系统采集并构建了一个全新的多模态数据集,旨在为相关领域提供一个高质量、结构化的基准资源。这项研究的意义在于,它不仅提供了原始数据,更重要的是通过精心设计的实验范式和严格的质控,使得比较不同经验群体(瑜伽练习者与非练习者)在多种认知任务下的生理反应成为可能,从而有望为理解注意力的可塑性、冥想训练的神经生理标志物以及多模态信号融合算法开发提供关键数据支撑。
为构建此数据集,研究人员主要采用了以下关键技术方法:研究招募了49名参与者,形成有经验(25名瑜伽练习者)与无经验(24名无瑜伽或自我调控实践者)的对比队列。核心数据采集使用64导联的脑电图(EEG)系统,以2048 Hz的高采样率记录脑电活动;同步采集单导联心电图(ECG)和参与者面部视频,确保所有信号在时间上严格对齐。实验范式包含五个任务块:静息态(Resting state)、内部专注(聚焦于额头中心)、外部专注(视觉搜索任务)以及走神(Mind-wandering)状态。所有数据均经过匿名化处理,并以结构化格式组织,便于后续的跨模态分析。
研究结果
1. 数据集构成与验证
本研究成功采集并验证了49套完整的同步多模态记录。数据集明确分为两个子组:一组来自25名有经验的瑜伽练习者,另一组来自24名无相关经验的个体。这种分组设计为后续的对比分析(如经验对神经生理反应的影响)奠定了坚实基础。所有记录均包含同步的64通道EEG、ECG和正面视频数据,确保了跨模态关联研究的可行性。
2. 多模态数据同步与结构
研究强调并实现了EEG、ECG和视频数据流的精确同步。这解决了多模态研究中常见的时间对齐难题,为研究人员直接分析心脑关联(如心跳 evoked potential)或面部表情与脑电活动的瞬时耦合提供了技术保障。数据集以方便使用的格式进行组织,降低了数据预处理的门槛,有利于促进数据的重用和跨团队验证。
3. 任务范式的生态效度
实验设计的五个任务(静息态、内/外专注、走神)涵盖了从被动放松到主动定向注意以及自发思维游离等多种认知状态。特别是“内部专注”(专注于身体内部感觉)和“走神”任务,直接针对冥想研究与日常认知中常见的心理现象,提高了研究结果的生态效度,使得在受控实验环境下捕捉更“自然”的认知状态成为可能。
4. 应用潜力指向
基于数据集的内容与结构,作者明确指出其可支持多个前沿领域的研究。在基础科学方面,可用于深入探索注意力与专注的神经机制、冥想练习产生的生理效应。在应用研究方面,该数据集能为情感计算(通过生理信号识别情绪或认知状态)和多模态信号整合算法(如融合EEG和ECG进行状态分类)的开发与验证提供宝贵的真实数据。
结论与讨论
本研究成功构建并发布了一个公开可用的多模态数据集,包含了49名参与者在静息、内部专注、外部专注和走神任务下的同步脑电图(EEG)、心电图(ECG)和视频记录。其核心贡献在于高质量的数据本身及其精心设计的结构:首先,数据集包含了经验丰富的瑜伽练习者和无经验对照者两个群体,这为考察长期心身训练对神经生理功能的潜在塑造作用提供了独特的比较视角。其次,高采样率的64导联EEG与ECG、视频的精确同步,为解决多模态信息融合中的关键技术挑战提供了优质资源。
该数据集的重要意义体现在多个层面。在科学研究上,它能够推动对注意力、冥想和意识状态转换的神经生理基础的理解,尤其有助于辨析某些生理模式是特定于训练群体还是具有普遍性。在方法论上,它为开发与测试新的信号处理、机器学习与跨模态分析算法提供了基准测试平台。在应用转化方面,该数据集有助于促进情感计算、认知状态监控、神经反馈以及基于生理信号的人机交互系统等领域的发展。最终,这项研究通过提供结构清晰、便于获取的匿名化数据,践行了开放科学的原则,有望吸引不同学科背景的研究者共同挖掘其中价值,加速相关领域的知识积累与技术突破。