信息速览
闭上眼睛从三千一百四十一开始，每次减四十二。三千零九十九，三千零五十七，三千零一十五……到第三个数的时候，脑子里的数字开始打滑，你得回去重算一遍。这段体验几乎每个人都有过，但它落在头皮上是什么样子，需要一台放大器才能看见。
基辅的两支团队在 2010 年代初做了一件很朴素的事：让三十六名大学生坐在椅子上，先安静地记录一分钟，再让他们做一分钟连续减法，把这两分钟各留一段六十秒的干净记录。库里没有复杂的范式、没有反馈界面、没有几百个通道，只有这两段被清洗过的脑电，和一张写着年龄、性别、减法次数的表格。
正因为朴素，它成了认知负荷研究里被反复取用的那一份。本篇按官方页面与文件本身的口径把这个库讲清楚：它是什么、结构如何、能做什么、在哪里会失灵。一屏速览见下表。
| 维度 | 内容 |
|---|---|
| 全名 | EEG During Mental Arithmetic Tasks |
| 库名缩写 | EEGMAT（MAT 指 Mental Arithmetic Task，不是 .mat 文件） |
| 发布方 | PhysioNet |
| 贡献者 | Igor Zyma、Sergii Tukaev、Ivan Seleznov 等七人 |
| 首次发布 | 2018 年 12 月 17 日，版本 1.0.0 |
| DOI | 10.13026/C2JQ1P |
| 配套论文 | Zyma 等，《Data》2019 年第 4 卷第 1 期，文章号 14 |
| 受试者 | 36 名健康大学生（16 至 26 岁，女 27 男 9） |
| 记录数 | 72 段，每人静息与心算各一段 |
| 每段时长 | 60 秒，官方称无伪迹片段 |
| 采样率 | 500 Hz（页面未写，见文件头） |
| 通道 | 官方称 23 通道系统；文件头 22 路信号（19 脑电 + A2-A1 + 心电 + 标注道另计） |
| 参考 | 互联耳电极 |
| 预处理 | 30 赫兹高通、50 赫兹陷波、独立成分分析去伪迹 |
| 标签 | 段级：静息/心算；受试者级：减法次数与好差分组 |
| 文件格式 | EDF，附 subject-info.csv |
| 体积 | 未压缩 175.1 兆字节 |
| 许可 | ODC-BY 1.0，免注册 |
| 缺什么 | 原始未清洗信号、逐题行为记录、官方划分、采样率说明 |
§1 它要解决的具体麻烦
1.1 心算是最便宜的认知负荷，也是最难量化的
让一个人进入"努力思考"的状态，实验室里有几十种办法：n-back、持续注意、情绪诱发、视觉搜索。它们各有代价——要程序、要显示器、要精密的计时、要经过验证的图片库。
连续减法几乎是所有办法里最便宜的一种。实验员口头给出两个数，受试者开始减，每减一次报一次结果，不需要屏幕，也不需要纸笔。正因为便宜，它在临床神经心理评估里用了几十年，一百减七就是简易精神状态检查的经典题。
便宜的另一面是难以量化。减法的速度取决于数字大小、算术熟练度、旁边有没有人听、错了要不要重来；同一个人在同一分钟里，也可能前半段极快、后半段卡住。这些差异落在脑电上，会和任务本身的效果搅在一起。这个库的贡献，就是把"任务"和"行为"分开记：脑电是两段各六十秒，行为压缩成两个受试者级的数字——四分钟内减了多少次，以及据此分到哪一组。
1.2 三条常见的错误期待
第一条，期待它是一个 .mat 格式的库。 这是库名最容易引发的误读。EEGMAT 的 MAT 来自 Mental Arithmetic Task，官方全名写得很清楚。文件清单里七十二个文件全部是 .edf，加一张逗号分隔表，没有一个是 MATLAB 的二进制 .mat。指望用 scipy.io.loadmat 打开的人，第一步就会卡住。
第二条，期待它包含原始记录。 公开的是清洗后的结果。官方原话是全部记录都是经独立成分分析处理过的无伪迹片段，处理掉的是眼、肌与心搏三类干扰。这带来了极干净的波形，也带走了原始信号：没有原始数据，就没有成分分离矩阵，也就无法比较"我的校正方法"与"他们的校正方法"谁更好。
第三条，期待它有逐题标注。 库里没有任何一个时间点被标成"这一题答对了"或"这一题卡住了"。任务期间只有一条连续六十秒的信号，行为数据在受试者表里是四个数字之一：减法次数。要研究"答错前后脑电怎么变"，这个库给不了。
1.3 它能给到的与给不到的
| 你的需求 | 它给的 | 够不够 |
|---|---|---|
| 静息与任务态的两状态对比 | 每人一对严格配对的六十秒记录 | 够，配平设计是它最大的优点 |
| 认知负荷的二分类基线 | 七十二段，标签干净 | 够做基线，跨人泛化难 |
| 频谱与相干分析 | 十九路脑电，耳电极参考，覆盖标准布点 | 够，这正是论文的分析对象 |
| 去趋势波动分析等时间尺度指标 | 六十秒连续片段，五百赫兹 | 够，长度与采样都支持 |
| 伪迹校正方法的比较 | 只有清洗后的结果 | 不够，没有原始信号 |
| 逐题的反应时与正确率 | 只有四分钟的总次数 | 不够，粒度太粗 |
| 个体内重复测量与稳定性 | 每人只有一段任务 | 不够 |
| 老年或临床人群的负荷评估 | 全部是十几到二十几岁的学生 | 不够，一点都没有 |
| 高密度空间滤波与源定位 | 十九路标准布点 | 勉强，只能做粗定位 |
| 在线负荷监测系统的训练 | 离线数据，无时间标签 | 可做离线原型，不能直接上线 |
1.4 你的处境与它能帮到的事
| 你的处境 | 它能帮你什么 | 下一步该做什么 |
|---|---|---|
| 你要做一个认知负荷检测的原型，手上没有任何数据 | 三十六人、两种状态、标签干净，够跑通管线 | 先按受试者留一做划分，拿到诚实的基线（§5.5） |
| 你在做脑电的频谱与相干分析，需要一个标准练手库 | 十九路标准布点，耳电极参考，处理流程清楚 | 直接复现论文的频段对比，看看结论是否成立 |
| 你在读心算相关的文献，想核对原文的数字 | 原始 EDF 与官方表格一一对应，可逐条核对 | 先打开一段（§4.3 的案例）确认字段含义 |
| 你想比较不同伪迹校正方法 | 它只能当"已经被清洗过"的参照 | 另找一个保留原始信号的库，把本库当上界参照 |
| 你在教学，要讲清楚一次认知实验的完整链路 | 从设备、布点、任务到文件命名，全部有据可查 | 用一段六十秒做演示，学生一次就能看懂 |
| 你需要做跨数据集的外部验证 | 体量小、免注册、格式标准 | 全量 175 兆，一次下完，当外部测试集用 |
| 你要研究不同参考方式的影响 | 耳电极参考已在文件里，脑电为单极导联 | 可以离线换成平均参考或重参考，做对照 |
| 你的课题要求受试者有年龄跨度 | 全部为 16 至 26 岁 | 换库，这里没有年龄分层 |
1.5 一句话判断
它不提供更多数据，而是提供一组配得最齐的对照片：同一个人、同一副电极、同一分钟长度，唯一的差别是算不算题。
1.6 不适合谁：四条边界
不适合拿它证明某类模型"能识别认知负荷"。 三十六个人、每人一对记录，任何在随机划分下取得的高准确率，都要先排除受试者泄漏。在这个库上报一个漂亮的数字很容易，报一个经得起留一受试者检验的数字很难。
不适合拿它做伪迹处理研究。 公开数据已经过独立成分分析，眼电、肌电与心搏成分都不在了。拿它评估一个去伪迹算法，相当于拿一篇已经改过的稿子去测校对软件。
不适合拿它做行为学推论。 行为只剩减法次数，而且是四分钟的总数，没有逐题记录。关于"心算难度如何随进度上升"、"出错后是否变慢"这类问题，库里没有可用的时间序列。
不适合拿它做临床或老年人群的结论。 受试者是基辅一所大学的学生，年龄集中在十八九岁。任何关于老年人认知衰退、注意力缺陷或术后谵妄的推论，都超出了这批数据的边界。
§2 数据构成与规格
2.1 一个扁平目录、七十二个文件
整个库的顶层结构简单到可以用一句话讲完：七十二个 EDF 文件，加上记录清单、校验和、说明文件与一张受试者表。没有子目录，没有分组文件夹，没有按任务或按年份拆开的结构。
文件名只有一种形态：SubjectNN_1.edf 与 SubjectNN_2.edf，NN 从 00 到 35 两位数字。后缀 _1 是任务前静息，_2 是心算。也就是说，受试者编号与段类型完全由文件名编码，读目录就够，不需要先读一张映射表。
| 顶层项 | 体积 | 作用 | 能否省 |
|---|---|---|---|
| Subject00_1.edf 至 Subject35_2.edf | 主体 | 七十二段六十秒记录 | 不能 |
| RECORDS | 1.1 KB | 七十二行文件清单 | 不能，是遍历入口 |
| README.txt | 2.7 KB | 协议、设备、预处理、任务说明 | 不能，是唯一的文字说明 |
| subject-info.csv | 1.0 KB | 受试者级元信息，三十六行 | 不能，标签都在这里 |
| SHA256SUMS.txt | 5.9 KB | 全库校验和 | 建议留，用于完整性核对 |
体积上有一条明显规律：多数 _1 文件是 3.7 兆字节，_2 文件是 1.3 兆字节，少数 _1 只有 1.6 兆字节。官方没有解释差别，它只影响存储，不改变标称时长。
2.2 字段与记录的完整字典
EDF 的头部分成两截：前 256 字节是固定字段，之后每路信号各占 256 字节。官方称系统是 23 通道，而文件头里报告的信号数是 22，头长因此是 256 + 22 × 256 = 5888 字节。以 Subject00 的静息段为例，固定字段的取值如下。
| EDF 固定字段 | 实际取值 | 含义与注意点 |
|---|---|---|
| 版本 | 0 后跟空格 | 标准 EDF 标记 |
| 患者标识 | Subject0 |
只有编号，被截在十六字符以内 |
| 记录标识 | 空 | 未填写运行名 |
| 开始日期 | 01-JAN-1990 | 官方另写了一句：全部文件的记录时间被设为 1 月 1 日 |
| 开始时间 | 0 | 与日期一样，是占位值 |
| 设备标识 | NeuroCom_Professional_3.0.0 |
采集软件与版本 |
| 保留字段 | EDF+C |
声明为连续记录 |
| 数据记录数 | 182 | 每秒一块，每块 500 点 |
| 记录时长 | 1 | 秒，即每个数据记录一秒 |
| 信号数 | 22 | 与官方所称 23 通道差一路 |
设备标识这一栏里另有一段串码 01.01.1100.00.005888，紧挨着还有一句 Startdate 01-JAN-2011。后者可能与实际的采集年份有关，但它是软件写入的自由文本，官方没有把它作为字段来解释，读取时不宜当成可靠日期。
每路信号再占 256 字节，字段顺序固定。把 22 路拆开来看，构成如下。
| 信号组 | 路数 | 标签 | 说明 |
|---|---|---|---|
| 脑电 | 19 | Fp1、Fp2、F3、F4、F7、F8、T3、T4、C3、C4、T5、T6、P3、P4、O1、O2、Fz、Cz、Pz | 10/20 国际系统的标准十九点 |
| 耳电极参考 | 1 | A2-A1 | 两侧耳电极的差分，官方称全部电极以此为参考 |
| 心电 | 1 | ECG | 一路心电，用于识别心搏伪迹 |
| 标注道 | 1 | EDF Annotations | 标准 EDF+ 标注通道，本库几乎为空 |
十九个脑电标签正好是 10/20 系统的经典十九点：额极两路、额四路、额外侧两路、中颞两路、中央两路、后颞两路、顶两路、枕两路，再加中线三路。这个布点覆盖了整个头皮，适合做从头前到枕区的梯度比较，但不支持高密度的空间滤波——采样点之间的距离太远。
2.3 一条记录的完整解剖
把 Subject00 的静息段完整拆开，一层层看下去，能看清这批数据的组织逻辑。下面这段代码只读文件头与首个数据记录，不需要把整个文件读进内存。
#-- 逐层解剖一段记录：头、通道、时长
import pyedflib
path = "Subject00_1.edf"
with pyedflib.EdfReader(path) as f:
print("信号数", f.signals_in_file)
print("采样率", set(f.getSampleFrequencies()))
print("时长秒", f.getFileDuration())
print("通道名", f.getSignalLabels())
#-- 前六路取前十个采样点，确认量纲
for i in range(6):
print(f.getLabel(i), f.readSignal(i)[:10].round(2))
#-- 标注道通常没有内容，取出来确认为空即可
print("标注条数", len(f.readAnnotations()[0]))
跑完会看到三样东西：22 路信号、统一的 500 赫兹、六十秒的时长。采样率是这批数据里最容易被忽略的一项——官方页面从头到尾没有写它，只能从文件头读出来。
再往下是数据区。每个数据记录是一秒，一秒之内按信号顺序把 22 路各若干采样点排开，路与路之间不是按时间交错，而是按通道整块排列。这意味着只想要某一路时，仍然要把整条记录读进来再抽列，不能像某些多通道格式那样跳读。
| 解剖层级 | 内容 | 数量 | 备注 |
|---|---|---|---|
| 库 | 一次实验的全部记录 | 七十二段 | 扁平存放 |
| 文件 | 一名受试者的一个状态 | 一段六十秒 | 后缀 _1 静息、_2 心算 |
| 数据记录 | EDF 的一个块 | 六十个 | 每块一秒 |
| 信号 | 一路电极 | 二十二路 | 十九脑电 + 耳电极 + 心电 + 标注 |
| 采样点 | 一路信号的一个时刻 | 与采样率相乘 | 见文件头 |
| 标签 | 段级任务状态 | 二类 | 由文件名后缀给出 |
2.4 受试者表：一行一个人，五列信息
subject-info.csv 是这个库唯一的结构化元信息。三十六行，每行一名受试者，六列。
| 列名 | 取值形态 | 说明 |
|---|---|---|
| Subject | Subject00 至 Subject35 | 与文件名前七字符一致，是连接键 |
| Age | 整数，16 至 26 | 官方论文称受试者年龄相当 |
| Gender | F 或 M | 以字母表示 |
| Recording year | 2010、2011、2012 | 三年分批采集 |
| Number of subtractions | 小数，带两位 | 四分钟内完成的减法次数 |
| Count quality | 0 或 1 | 1 为好数者，0 为另一组 |
最后两列是这个库最有信息量、也最容易被误读的地方。减法次数不是整数，说明它是一次换算的结果；计数质量是 0 或 1，官方页面把 1 解释为质量好的那一组、0 为另一组。
| 分组 | 官方定义 | 人数 | 四分钟内减法次数的官方均值 |
|---|---|---|---|
| 质量好的组 | 计数质量好，官方标签为 1 | 24 | 21 |
| 质量差的组 | 计数质量差，官方标签为 0 | 12 | 7 |
值得注意的是，同一份材料对这两个数字只给了均值与标准差，没有给出逐人明细的说明；而表里逐人的小数次数是可以直接读出来的。两类口径之间不需要互相验证，它们是同一件事的两种呈现——一个汇总在官方正文，一个展开在表里。
2.5 与同类资源的字段差异
同为脑电，认知任务库与临床库在字段设计上差别很大，而这些差别直接决定能做什么任务。
| 字段维度 | 本库 | 运动想象类库 | 情绪诱发类库 | 临床癫痫长程库 |
|---|---|---|---|---|
| 受试者规模 | 三十六人 | 百人量级 | 三十余人 | 数十至数百例 |
| 每人记录数 | 两段 | 十余次运行 | 数十个试次 | 数小时至数天 |
| 通道数 | 十九脑电 | 六十余导 | 三十余导 | 十九至二十余导 |
| 任务标签 | 段级二类 | 试次级四类 | 试次级多维 | 发作区间 |
| 行为数据 | 一个汇总次数 | 无 | 自评量表 | 临床记录 |
| 预处理状态 | 已做独立成分分析 | 多为原始 | 多为原始 | 原始 |
| 时长粒度 | 六十秒 | 数分钟一次运行 | 数十秒一段 | 连续数小时 |
它的信息密度集中在"配对整齐"这一列，其它维度的密度都偏薄，尤其是行为数据与原始信号。
2.6 一百七十五兆的体量与三次下载
官方页面给出的未压缩体积是一百七十五点一兆字节。对一个有七十二段、每段六十秒、二十二路信号的库来说，这个数字是合理的：每段约两兆字节，符合画面里 3.7 兆与 1.3 兆交替出现的观察。
同一页面上还列出了三条获取途径：整包 ZIP、wget 递归、AWS 命令行同步到开放桶。三条路径内容一致，差别只在断点续传与并行度。对一个一百多兆的库来说，这几乎是下载方式的全部区别——无论哪条路，几分钟内都能拿全。
2.7 用一个循环拼出全部七十二个文件名
#-- 枚举全部文件名，顺序与 RECORDS 一致
names = [f"Subject{n:02d}_{s}.edf" for n in range(36) for s in (1, 2)]
print(len(names), names[0], names[-1])
assert names == open("RECORDS").read().split()
最后一行把拼接结果与官方清单逐项比对，不通过说明某个编号有特殊处理。
§3 它是谁的数据：一支联合团队、一台高采样的机器
3.1 七位作者与两所学校
官方页面的作者栏列了五个人：Igor Zyma、Ivan Seleznov、Anton Popov、Mariia Chernykh、Oleksii Shpenkov，并在贡献者一栏另写三人：Igor Zyma、Sergii Tukaev、Ivan Seleznov，机构记为乌克兰国立技术大学「伊戈尔·西科尔斯基基辅理工」电子工程系。论文的作者列表则是七人，多出 Sergii Tukaev 与 Ken Kiyono 两位。
拼起来看，作者是一条横跨两所基辅高校、又牵到大坂的线：生理方向在舍甫琴科国立大学，信号方向在基辅理工，方法学合作在大坂大学。
| 角色 | 姓名 | 机构 | 出处 |
|---|---|---|---|
| 第一作者 | Igor Zyma | 基辅塔拉斯·舍甫琴科国立大学 | 论文与页面一致 |
| 贡献者 | Sergii Tukaev | 同上，脑与心理生理方向 | 论文与 README |
| 贡献联系人 | Ivan Seleznov | 基辅理工电子工程系 | 页面联系邮箱 |
| 贡献者 | Anton Popov | 基辅理工电子工程系 | 页面 |
| 贡献者 | Mariia Chernykh | 基辅塔拉斯·舍甫琴科国立大学 | 页面 |
| 贡献者 | Oleksii Shpenkov | 基辅塔拉斯·舍甫琴科国立大学 | 页面 |
| 方法学合作 | Ken Kiyono | 大坂大学基础工学研究科 | 论文作者列表 |
页面作者栏与贡献者栏并不完全重合，这是 PhysioNet 的常见现象：前者是元数据里的署名，后者是捐赠时的登记。两者都以官方页面为准并列，不存在谁更正的问题。
3.2 配套论文说了什么
官方推荐的引用是一篇发表在《Data》期刊的文章，标题直译是《心算任务执行期间的脑电图》。摘要里把动机写得很清楚：这项工作的目的是支撑对脑电的傅里叶功率谱、相干与去趋势波动特征的考察——也就是在完成心算任务时，这些特征怎么变。
摘要还交代了三件关键信息。第一，记录涵盖国际 10/20 系统的脑电，既有任务态也有对应的静息参照。第二，根据减法表现（次数与结果准确性），受试者被分成好数者与差数者两组，后者的心算需要付出更多努力。第三，受试者是三十六名年龄相当的健康志愿者，全部是基辅塔拉斯·舍甫琴科国立大学的学生，记录通过 PhysioBank 平台公开。
这篇论文属于"数据描述论文"这一类型：它的核心产出不是一项新发现，而是把数据本身连同采集协议、预处理流程与分析示例一起讲清楚，让后来者能复现。读它主要是为了理解字段与流程，而不是为了拿一个结论。
3.3 时间线
从采集到发布，这批数据跨了将近十年，中间几段时间长度差别很大。
| 时间 | 事件 | 依据 |
|---|---|---|
| 2010 至 2012 年 | 受试者分批采集，表中记录年份三年 | subject-info.csv |
| 2018 年 11 月 15 日 | README 文件的修改时间 | 文件清单 |
| 2018 年 12 月 12 日 | RECORDS 与受试者表的修改时间 | 文件清单 |
| 2018 年 12 月 17 日 | PhysioNet 正式发布 1.0.0 版 | 官方页面 |
| 2019 年 1 月 18 日 | 论文正式出版 | Crossref |
| 2019 年 3 月 20 日 | 校验和清单的最后修改时间 | 文件清单 |
有两个细节值得记住。第一，数据先上平台、论文后出版，中间隔了一个月，所以引用的规范是"数据 DOI 加论文 DOI"两条并列。第二，最后的修改是补校验和，说明信号与标签自发布起没被动过，只有一个版本号，没有修订说明。
3.4 采集现场：一台 23 通道系统、一副耳电极
官方对采集条件的描述不长，但每一句都对应一个后来会遇到的读取问题。
系统是 Neurocom 出品的 23 通道脑电仪，产地乌克兰。官方写明按 10/20 国际系统布点，银氯化银电极单极导联。参考方式是关键：全部电极以互联的耳电极为参考。这意味着文件里的脑电幅值不是相对某个导入电极的电位，而是相对双耳平均。要换参考，得自己动手。
预处理也写在数据说明里：30 赫兹高通、50 赫兹工频陷波，再做独立成分分析去掉眼、肌与心搏三类干扰。拿到的脑电既没有低频漂移，也没有工频噪声，也没有眨眼跳变。
| 采集要素 | 取值 | 后果 |
|---|---|---|
| 设备 | Neurocom 23 通道系统 | 官方通道数与文件头场数差一路 |
| 电极 | 银氯化银，单极导联 | 类似湿电极，阻抗需记录但未公开 |
| 布点 | 10/20 国际系统 | 十九个经典点，位于头皮全覆盖 |
| 参考 | 互联耳电极 | 脑电幅值相对于双耳平均 |
| 高通 | 30 赫兹 | 慢波与直流成分已被移除 |
| 陷波 | 50 赫兹 | 工频噪声已抑制 |
| 伪迹处理 | 独立成分分析 | 眼、肌与心搏成分已剔除 |
三十赫兹高通是一项特征很强的选择。它保留了伽马以上的一部分，但把 delta 与 theta 的低端大幅削弱。做 theta 频段分析时，这个截止频率会直接影响结果，必须知道自己用的是什么滤波器、原数据已经滤过什么，否则会重复滤波或误判能量分布。
3.5 两个口径：23 通道系统与 22 路信号
有一处必须摊开来讲，因为它会影响任何按通道做的分析。
官方页面与 README 的原话是：脑电记录使用 23 通道的 Neurocom 系统。按字面理解，文件里应该有二十三个信号道。
而文件头里报告的信号数是 22，逐路标签读出来是十九路脑电、一路 A2-A1、一路心电、一路标注道。合格的通道合计二十，加标注道二十一路，仍比官方说的二十三少两路。
| 口径 | 数量 | 构成 | 出处 |
|---|---|---|---|
| 官方描述 | 23 | 采集系统标称通道数 | 页面与 README |
| 文件头 | 22 | 信号字段的实际取值 | Subject00_1.edf 头区 |
| 逐路标签 | 22 | 19 脑电 + A2-A1 + 心电 + 标注 | 同上 |
差额从哪来，官方没有说明。常见的可能有两类：采集系统的 23 路里有一路是系统内部的参考或触发通道，未被写入 EDF；也可能有两路在导出时被合并。两种都只是推测。稳妥的写法是：做分析时以文件头为准，写方法学时同时交代两个数字。
这不是小事。如果你的流程按"二十三路脑电"设计通道数组，代码会在读入时直接报维度不匹配；如果按二十三路除以人数做统计，通道数与样本量的口径会对不上。
§4 它最独特的东西：把静息当成对照组
4.1 组内设计：同一副电极、同一分钟、只差一次任务
多数认知负荷数据集是组间设计：一部分人做任务、一部分人不做。这类设计的麻烦在于，任务态的差异可能混进时间、疲劳、阻抗变化这些与任务无关的因素。
这个库选了最省钱也最干净的做法：每个人都在同一次到访里，先记录一段静息，再做一段心算。两段用同一副电极、同一个参考、同一套滤波、同样的六十秒长度，唯一变化的变量就是"算不算题"。
代价也很明确。同一分钟里，后一段天然比前一段晚；受试者在任务段可能更紧张、更专注，也可能因为坐得久了而更疲惫。设计上没有用一个交叉顺序来平衡这个效应——官方没有提到有半数是先算题后静息。所以"任务态与静息态的差异"这个结论，严格说来包含了一部分时间效应。
| 设计选择 | 常见做法 | 本库做法 | 后果 |
|---|---|---|---|
| 受试者内对比 | 多条件、交叉平衡 | 只有两段，顺序固定 | 干净但含时间效应 |
| 每段长度 | 数十秒到几分钟不等 | 统一六十秒 | 可直接对齐、可直接叠加 |
| 伪迹处理 | 多数留原始信号 | 独立成分分析后交付 | 干净但不可再处理 |
| 行为记录 | 逐题反应时与正确率 | 只有四分钟总数 | 只能做粗粒度分组 |
| 任务难度调节 | 多档难度 | 一档，因人而异 | 难度是自然变异不是自变量 |
第四行是它最特殊的地方。难度的调节不是由实验者设定的，而是由受试者自己的表现自然形成的——官方据减法次数把三十六人分成好数者与差数者两组。这是把"行为变异"当成了分组标签，而不是当成受控的自变量。
4.2 好数者与差数者：一个自然形成的分组
官方据四分钟内的减法次数与结果准确性把受试者分成两组，描述里说差的那一组"心算需要付出更多努力"。
这个分组有两层用处：当协变量放进模型，看任务态差异是否主要体现在差数者身上；当稳健性检验，看某个结论是否只在好数者身上成立——若如此，它反映的可能是"算术熟练"而非"认知负荷"。
同样是四分钟，一组做了二十来次减法，另一组只做了七次。差额主要来自计算速度与是否卡住，这两者在脑电上可能对应完全不同的模式：一个流畅的连续加工，一个断续的重新起始。差数者只有十二人，以这一组为主体的分析统计功效有限。
4.3 案例：Subject00 的两分钟
拿一名具体受试者走一遍，比抽象描述有用。选 Subject00，因为它在清单第一行，任何人都能直接对上，且它的两段文件都在常规体积之列。
打开两段的头：都是 22 路信号、六十秒。第一段文件名后缀是 1，第二段是 2。在受试者表里找到第 00 行，年龄二十一岁、性别女、记录年份 2011、四分钟减法次数与计数质量各有一个值——她属于哪一组，从表里一眼可见。
把两段并排放在一张图上，能看到的不是"任务态更活跃"这么简单。三十赫兹高通已经削掉了慢波，工频噪声也不在，剩下的差异主要体现在节律的强弱与相位关系上，而这两样正是论文要量的东西：功率谱、相干、去趋势波动。
再看这两段缺什么。没有原始信号、没有眨眼时刻、没有每一道减法的起止、没有按键或口头报数的时刻。要研究"从静息进入任务的那几秒怎么过渡"，数据里没有那段过渡——两段是分开截取的，中间可能隔了很久。
§4.3 的案例换个角度看：这两段合计两分钟，是全部十二分钟实验里被保留下来的六分之一。剩下的十分钟去哪了，官方没有交代，只说交付的是无伪迹片段。
两段之间只有一处差别：算不算题。
4.4 减法任务本身：四位数减两位数
任务形式决定了信号里会有什么。
官方描述是：每次试验开始时，实验员口头给出一个四位数（被减数）与一个两位数（减数），例如三千一百四十一与四十二。受试者接着连续相减，每一次的结果成为下一次的被减数。
被减数每次不同，意味着每道题的难度略有浮动；减数是两位数，借位在所难免；口头给出而非屏幕显示，意味着没有视觉诱发成分，也没有锁时事件。最后这点最重要：库里没有任何刺激时刻标记，所以做不了事件相关电位分析，只能做连续信号的统计特征分析。
受试者在不停地报数，口腔与颌部的肌电会很强。成分分析若不彻底，残余高频噪声会抬高高频段功率，影响跨组比较；做频谱分析时把伽马段单独看一眼，是个便宜的检查。
4.5 边界条件：什么情况下它不再适用
五种情况下这批数据会失效，且失效方式各不相同。
第一种，任务从"两状态"变成"多难度"。 库里只有一档难度，且难度是自然变异。要做负荷的连续估计或三档以上的分级，这里没有对应的标签。
第二种，需要时间分辨的标签。 六十秒是一整段，中间没有任何分界。想在秒级上标记"这一秒负荷高"，只能自己造标签，而造出来的标签没有金标准。
第三种，需要比较伪迹处理。 交付物已经被清洗过，原始信号未公开。任何以"去伪迹前后的差异"为核心的课题都用不了。
第四种，需要人群推断。 三十六名基辅的大学生，年龄十六到二十六。任何关于老年人、儿童或临床患者的结论都超出范围。
第五种，需要重复测量。 每人只有一段任务。想估计个体内的稳定性，或想做前后测的干预研究，这里给不出第二条任务段。
§5 怎么拿到：从 curl 到可训练张量
5.1 目录结构与下载面
官方给三条路：浏览器点 ZIP、wget 递归、AWS 开放桶同步。文件是扁平的，脚本遍历非常直接——不需要先解析目录树，只要按 Subject00 到 Subject35 与两个后缀拼文件名即可。
| 下载方式 | 命令要点 | 适合场景 | 注意 |
|---|---|---|---|
| ZIP | 页面按钮 | 一次性拿全量 | 一百七十五兆，几分钟内完成 |
| wget 递归 | 加 -r -N -c -np |
需要续传 | 会连目录索引一起拉 |
| AWS 同步 | s3 sync --no-sign-request |
批量、可并行 | 需要装命令行工具 |
| 逐文件 | 直接拼 URL | 只取几段做实验 | 最省流量 |
因为体积小，三条路的差别远不如大库明显。真正值得挑的是"只下一部分"这个选项：做教学演示拿两三个人就够，做留一受试者验证才需要全量。
5.2 批量下载
下面这段把全量拉到本地，跳过已存在的文件，中断后重跑不会重复下载。
#-- 拉取全部七十二段，跳过已存在文件
BASE="https://physionet.org/files/eegmat/1.0.0"
mkdir -p eegmat && cd eegmat
curl -sSL -O "$BASE/RECORDS"
for n in $(seq -w 0 35); do
for seg in 1 2; do
f="Subject${n}_${seg}.edf"
if [ ! -s "$f" ]; then
curl -sSL --retry 3 -o "$f" "$BASE/$f"
fi
done
done
#-- 同时拿受试者表与校验和
curl -sSL -O "$BASE/subject-info.csv"
curl -sSL -O "$BASE/SHA256SUMS.txt"
#-- 核对文件数应为七十二
ls Subject*_*.edf | wc -l
seq -w 0 35 给出两位编号，正好对上 Subject00 到 Subject35。最后一行输出七十二说明下载完整。若某个文件只有几百字节，多半是网络中断留下的残片，删掉重下即可——校验和清单可以确认。
#-- 校验完整性，失败会打印文件名
sha256sum -c SHA256SUMS.txt --quiet || echo "有文件校验失败"
#-- 统计文件数，应为七十二
ls Subject*_*.edf | wc -l
5.3 读头、接表、确认采样率
读进来之后第一件事不是滤波，是先确认采样率与通道名。官方页面没有写采样率，必须从文件里取。
#-- 读一段，核对采样率、通道与时长
import pandas as pd, pyedflib
info = pd.read_csv("subject-info.csv").set_index("Subject")
with pyedflib.EdfReader("Subject00_2.edf") as f:
sfreq = f.getSampleFrequency(0)
labels = f.getSignalLabels()
dur = f.getFileDuration()
print("采样率", sfreq, "时长", dur, "路数", len(labels))
print("脑电通道", [x for x in labels if x.startswith("EEG")])
print(info.loc["Subject00"])
打印出来应能看到 22 路、六十秒、十九个以 EEG 开头的通道名，以及 Subject00 那一行的年龄、性别、年份与减法次数。三个数对不上的话，先回去确认文件是否下全，别继续往下走。
5.4 换参考与频段分析
参考方式决定幅值。文件里的脑电是相对互联耳电极的，如果要做平均参考，或者只保留十九路脑电做空间分析，这一步得自己补。
#-- 读入、转成平均参考、按频段算功率
import mne, numpy as np
raw = mne.io.read_raw_edf("Subject00_2.edf", preload=True, verbose="ERROR")
raw.set_channel_types({"ECG": "ecg"})
#-- 去掉非脑电通道后再设参考，避免把心电算进平均
eeg = raw.copy().pick([c for c in raw.ch_names if c.startswith("EEG")])
eeg.set_eeg_reference("average", verbose="ERROR")
bands = {"theta": (4, 8), "alpha": (8, 13), "beta": (13, 30)}
for name, (lo, hi) in bands.items():
psd = eeg.compute_psd(method="welch", fmin=lo, fmax=hi, verbose="ERROR")
print(name, round(float(psd.get_data().mean()), 3))
注意读取之后先用 pick 把心电与参考道排除，再做平均参考。十九路里混进一路心电，平均参考会被心电的尖峰带偏，进而污染每一路脑电。
另一个必须提醒的点是三十赫兹高通。官方在采集时已经滤过，读入后再滤一次并不会更干净，只会让三十赫兹附近的相位失真加倍。做频谱分析时，先看清原始数据已经滤掉了什么。
#-- 只读头区，批量核对时长与路数
for f in Subject*_*.edf; do
python3 -c "
import pyedflib, sys
with pyedflib.EdfReader(sys.argv[1]) as e:
print(sys.argv[1], e.getFileDuration(), e.signals_in_file)
" "$f"
done | sort | uniq -c | head
输出若出现与六十秒不符的行，先怀疑文件没下全。
5.5 切分与划分：按人，不按段
这个库最大的陷阱不在读文件，在划分。每人只有两段，一段静息一段任务，如果按文件随机切成训练集与测试集，同一个人极可能同时出现在两侧。
#-- 按受试者构造特征，留一受试者交叉验证
import numpy as np, pandas as pd
rows = []
for n in range(36):
sid = f"Subject{n:02d}"
for seg, task in (("1", 0), ("2", 1)):
rows.append({"sid": sid, "task": task,
"file": f"{sid}_{seg}.edf"})
meta = pd.DataFrame(rows)
print(meta.groupby("sid")["task"].sum().value_counts())
#-- 每人两段，求和恒为 1，确认没有缺段
folds = sorted(meta["sid"].unique())
for held in folds[:3]:
tr = meta[meta.sid != held]
te = meta[meta.sid == held]
print(held, len(tr), len(te))
这里的 groupby 求和应恒为 1：每人一段静息（0）加一段任务（1）。若某个编号出现 0 或 2，说明文件名后缀解析错了。划分时以 sid 为单位留一，测试集永远只含一个人的两段。
结果通常不好看，而这正是这个库的诚实之处。同一个人内部的两状态差异往往很大，跨人之后，任务态的脑电模式会向个体差异让位。无论报告什么数字，都要说明这是留一受试者的结果，而不是随机按段划分的结果。
5.6 五个最容易出错的地方
| 出错点 | 表现 | 原因 | 处理 |
|---|---|---|---|
| 当 .mat 文件读 | 找不到文件或格式错误 | 库名的 MAT 指心算任务 | 按 EDF 读，用 pyedflib 或 mne |
| 按段随机划分 | 测试准确率异常高 | 同一人两段跨集泄漏 | 按受试者留一（§5.5） |
| 假设采样率 | 时轴长度对不上 | 官方页面未写采样率 | 从文件头读，是 500 赫兹 |
| 把心电当脑电 | 平均参考后各路都带尖峰 | 未排除 ECG 与 A2-A1 | 先 pick 只要 EEG 通道 |
| 重复高通滤波 | 三十赫兹以下功率异常低 | 原数据已经过了 30 赫兹高通 | 读清预处理再决定滤不滤 |
最后一条值得多说一句。三十赫兹高通意味着原始数据里三十赫兹以下已经被大幅衰减，这会让 theta 与低频 alpha 的分析变得敏感——那里剩下的能量本就不多。若你的课题以 theta 为主，第一件事就是承认这个截止频率，并在方法里写清楚。
§6 与库内条目的关系
6.1 关系图谱
站内与脑电有关的记录已经不少，且分成了好几类。与本库真正需要划清界限的，是运动想象类、情绪诱发类、癫痫临床类与新生儿类这四族，以及一个容易混名的听觉注意库。
| 库内记录 | 与本库的关系 | 主要差别 |
|---|---|---|
| EEGMMIDB | 同为 PhysioNet 上的任务态脑电 | 它是运动执行与想象，百人量级，每人多次运行 |
| ltrsvp | 同为任务诱发，同为健康受试者 | 它是快速序列视觉呈现，八通道，二类目标检测 |
| DEAP | 同为三十余人的小样本任务库 | 它是情绪诱发，含主观量表与多路外围信号 |
| bonn-eeg | 同属二类分类用途 | 它是癫痫发作与间期的片段分类，不是认知任务 |
| tuh-eeg-corpus | 同为十九导临床布点 | 它来自医院连续记录，本库来自实验室实验 |
| eeg-dash | 同为运动想象，但是聚合镜像 | 它把多个来源打包，本库是单一实验 |
| auditory-eeg | 同属注意类任务 | 它研究听觉注意解码，有试次级标签 |
| eeg-power-anesthesia | 同属认知状态标签 | 它标的是麻醉意识状态，本库标的是算不算题 |
规律很清楚：本库是站内少数"任务极简、标签极粗、配对极整齐"的记录。其它任务态库用试次级标签换信息量，它则几乎放弃时间粒度，把全部信息压在"两状态对比"上。
6.2 检索路径
站内检索用 slug eegmat，或全名 EEG During Mental Arithmetic Tasks。中文关键词建议用"心算脑电"而不是"脑电"，因为后者会返回一大批运动想象与癫痫库；用"认知负荷"也容易命中一批外部资源，需要再用"基辅"或"序列减法"收窄。
按需求找：要百人量级、多次运行的任务态脑电，去 EEGMMIDB；要试次级的视觉目标检测，去 ltrsvp；要带自评量表的情绪诱发，去 DEAP；要临床癫痫的片段分类，去 bonn-eeg；要两状态、配对干净、体量小到可以放进课程材料里的库，才轮到本库。
6.3 三张对照表：任务、标签粒度、处理状态
三个维度分开列，因为它们最容易混淆，也恰好决定了一个库能做什么。
第一张是任务与人群。
| 库 | 任务 | 受试者 | 样本量级 |
|---|---|---|---|
| 本库 | 连续减法心算 | 三十六名健康大学生 | 七十二段 |
| EEGMMIDB | 运动执行与想象 | 百余人 | 千余次运行 |
| ltrsvp | 快速序列图像目标检测 | 十余人 | 数次飞行 |
| DEAP | 音乐视频情绪诱发 | 三十余人 | 千余个试次 |
| bonn-eeg | 无任务，癫痫间期与发作 | 五名患者 | 五百段 |
第二张是标签粒度，决定能用什么统计单位。
| 库 | 最细标签 | 统计单位 | 是否支持事件相关分析 |
|---|---|---|---|
| 本库 | 段级二类（静息/心算） | 人 | 否，无锁时事件 |
| EEGMMIDB | 运行级任务类型 | 运行 | 是，有提示时刻 |
| ltrsvp | 试次级有无目标 | 试次 | 是，有呈现时刻 |
| DEAP | 试次级评价值 | 试次 | 是，有刺激起止 |
| bonn-eeg | 片段级二类 | 片段 | 否 |
第三张是预处理状态，这一维最容易被忽略，却直接决定能不能做方法学研究。
| 库 | 原始信号 | 滤波状态 | 伪迹处理 |
|---|---|---|---|
| 本库 | 不保留 | 已 30 赫兹高通与 50 赫兹陷波 | 已做独立成分分析 |
| EEGMMIDB | 保留 | 未滤或仅轻微滤波 | 未处理 |
| ltrsvp | 保留 | 未滤 | 未处理 |
| DEAP | 保留 | 已下采样至 128 赫兹 | 未处理 |
| bonn-eeg | 保留 | 已带通 | 已人工剔除 |
把三张表叠起来看，本库的位置很清楚：任务最简单、人群最单一、标签最粗、预处理最深。它占的是"干净但对照片"这个角。把它当 EEGMMIDB 的替代品，第一步就会撞上样本量；把它当原始信号库，第二步就会发现无可处理。
6.4 与站外心算资源的区别
站外常被拿来比较的有三类。第一类是情绪与认知负荷混合的多模态库，同步记录脑电、眼动、皮电与心率，外加量表。模态全，但个体差异被多路信号稀释，单模态分析反而多一层对齐。本库只有脑电与一路心电，对齐成本几乎为零。
第二类是驾驶、飞行模拟等自然场景的负荷监测数据，标签来自任务难度分级，生态效度高，但受试者少、场景不可控。本库条件可控，代价是生态效度低。
第三类是公开的算术任务基准，把心算与其他认知任务混在同一批人身上。它们能做任务间对比，但每个任务分到的受试者更少。本库只在心算一件事上做深。
§7 质量评估与局限性
7.0 阅读本节前的一个前置校正
先校正一个几乎一定会犯的误判：把"每人只有两段"读成"数据质量差"。
这两件事在这个库上方向恰好相反。每人两段是设计的结果，不是采集能力的上限：一次到访、同一副电极、两个状态、各截一分钟，目的是让"任务态与静息态"这对比较尽可能干净。把每人的任务段拉成十段，会引入阻抗漂移、注意力衰减与疲劳，配对优势随段数增加迅速稀释。
校正之后，五维评分的读法也要跟着变。规模分低衡量的是"能不能喂饱模型"，不是"记录得规不规矩"。真正该扣分的地方在别处：通道数的两个口径对不上、采样率页面未写、原始信号没有留存、行为记录压缩成一个数字。这些是文档与留存的欠缺，与采集质量本身无关。
还有一个误判要提：把三十赫兹高通当成缺陷。对做慢波或睡眠分期的课题，它确实是障碍；但对心算这种以 alpha 去同步为主要现象的任务，三十赫兹以上几乎全是噪声，滤掉反而是加分。同一个参数在不同课题下的正负号不同，这是判断任何预处理选择时的基本前提。
7.1 五维评分
按 DAIMS 的常用维度打分，每项一至五分，分数针对"作为认知负荷两状态对比数据"这个用途。
| 维度 | 分数 | 理由 |
|---|---|---|
| 数据规模 | 2 | 三十六人、七十二段，训练不足，做配对分析够用 |
| 标注质量 | 3 | 段级标签干净可靠，但只有二类，无逐题记录 |
| 任务适配 | 3 | 两状态对比设计精良，但无原始信号、无法闭环 |
| 文档完整 | 3 | 协议与预处理好读，通道数口径冲突、采样率未写 |
| 可获取性 | 5 | 免注册、ODC-BY、体量小，三条下载路径都可用 |
合计十六分（满分二十五）。这个分布说明它不是全能选手：规模是硬伤，可获取性拉满，其余三项都在中间档。与同类任务态库相比，它在"容易拿到"上领先，在"能拿来做多少事"上落后。
“标注质量"若按"标签是否正确"打分可以给四分，文件名就是标签，不可能错；若按"能支撑多少分析"打分，三分都偏高。它的标签是"少而准”，不是"多而全"。
7.2 标注质量的两层
第一层是标签是否正确。后半句是"由文件名后缀编码"，不需要任何解析：后缀为 1 即静息，为 2 即心算，全库七十二个文件无一例外。这比靠事件码或注释文件传递标签的库可靠，因为不存在"标注文件丢失"这种故障模式。
第二层是标签能承载多少信息。这一层它很薄。除了二类标签，唯一的次级标签是受试者表里的计数质量分组，而它是受试者级的，不是段级的，且样本量不对等。年龄、性别、记录年份、减法次数这四层同样都是受试者级的量，只能做分组或协变量，做不了逐段的回归。
7.3 已知的、可枚举的偏差
| 偏差 | 表现 | 影响 |
|---|---|---|
| 受试者少 | 三十六人，其中差数者仅十二人 | 留一交叉验证的方差极大 |
| 人群单一 | 同一所大学的学生，十六至二十六岁 | 不能外推老年或临床人群 |
| 性别不平衡 | 女二十七人、男九人 | 性别对比的分析功效不足 |
| 单中心单设备 | 一台 Neurocom 系统 | 设备差异无法从内部估计 |
| 顺序固定 | 先静息后任务，未见平衡说明 | 差异中混有顺序与疲劳效应 |
| 行为粒度粗 | 只有一个四分钟总数 | 无法做逐题或时间分辨分析 |
| 无原始信号 | 只交付清洗后结果 | 伪迹处理研究无法开展 |
| 标签层级单一 | 只有段级二类 | 无法做难度分级或多任务比较 |
| 采样率未写 | 页面与 README 均未提及，文件头为 500 赫兹 | 使用者须自行从文件头读取 |
前四条是结构性的，改不了；中间三条是设计选择带来的，可以规避或交代清楚；最后两条是文档问题，靠读取文件即可解决。
有一处统计上的提醒：这个库的天然统计单位是人，不是段。按段统计会把样本量翻倍到七十二，但同一个人的两段高度相关，独立性不成立，显著性会被高估。稳妥的做法是每人在两状态间取一个差，把这个差当一条观测，样本量压到三十六，结论才站得住。
7.4 外部验证矩阵
这个库在文献里的用法，可以归成四类角色。判断依据是官方说明与论文摘要，不涉及具体数值比较。
| 验证角色 | 做法 | 讲得通的地方 | 风险 |
|---|---|---|---|
| 认知负荷检测基线 | 在配对数据上跑二分类 | 标签干净、预处理统一 | 只有三十六人，跨人泛化难 |
| 频谱与相干方法示例 | 复现论文的功率与相干对比 | 十九导标准布点、耳电极参考 | 三十赫兹高通限定了可用频段 |
| 时间尺度指标验证 | 在六十秒片段上算去趋势波动 | 长度与采样率都够 | 单段估计的方差大 |
| 预处理效果演示 | 比较降采样或重参考的影响 | 预处理已统一，参照组可靠 | 不能评价去伪迹算法本身 |
第一类最常见，但要小心划分方式；第二类与第三类最贴合它的设计目的，因为它们正是论文的分析对象；第四类只适合做"后处理"的对照。
还有一个不常被提起却很合适的用法：教学。一次实验、两名状态、十九个经典电极、一个二类标签，链路每一环都能在一个课时里讲完，文件也小到可以直接发给学生。
7.5 它为何能持续（省掉的是一次到访）
它自 2018 年发布以来只有一个版本，作者也没有持续维护，却仍在被引用。原因不在规模，在于它把一个成本极高的环节替使用者省掉了：让同一个人同时出现在两种状态里，且两种状态用同一副电极、同一套处理。
要做这件事，得把三十六名学生请进实验室一次，每次十几分钟，加上电极安装与清洗。听起来不多，但它不可外包：别的库给不了"同一个人、同一次到访"的配对，跨库拼时设备与处理全都不同，优势立刻消失。
边界也很明确：只在"两状态对比"上成立。课题一旦转向难度连续估计、时间分辨监测或伪迹处理，短板立刻暴露。
成本也是原因。重做一次需要一台多通道脑电仪、一名实验员、三十六名受试者和一项伦理审批；下载只要一百七十五兆。
§8 生态位与历史
8.1 历史沿革
这批数据诞生在 PhysioNet 数据捐赠的一个特定阶段。那时平台上心电、重症监护、睡眠记录已经很多，但"范式化的认知实验"相对少：临床信号是监护中顺手录下的，认知实验则为研究目的专门设计，愿意公开的团队不多。
它的加入方式很典型：两所高校联合的小组做完分析后，把记录整理成平台能接受的格式捐出来，托管与版本管理交给平台。这让它在没有后续基金、没有维护团队的情况下活了八年多，也让文档停在"一次讲清"的状态——没有勘误，也没有补充说明。
从格式上也能读出年代。EDF 加一张逗号分隔的表，是那个时期平台的标准做法：文件自描述、元信息另附一张表。后来的大规模数据集往往改用更结构化的清单，这个库仍停在"文件列表加一张表"的朴素形态。
8.2 与挑战赛和聚合库的关系
它没有进过任何挑战赛。PhysioNet 历年挑战赛涉及的脑电任务集中在癫痫检测、睡眠分期与重症监测，心算任务从未成为赛题。这意味着它没有官方划分、没有排行榜、没有社区基线，也意味着它不会被"刷分"式的研究快速消耗。
它与聚合型资源的关系则相反。聚合库的价值在于规模与统一格式，代价是把单个实验的细节磨平。本库恰好相反，规模小，格式朴素，但每个字段都对应一次真实的采集决定。两者不是替代关系，而是粗细两层。
它的出现时机也值得一提：那正是去趋势波动分析从物理学进入神经科学的几年，一个六十秒、已被清洗过的片段恰好是这类方法理想的输入，而作者之一正来自该方法的推动方。这让它同时具备两个身份——认知负荷数据集，与时间尺度分析的标准样例。
8.3 生态位：粗标签的一端
把站内外的脑电库按"标签粒度"排：临床连续记录最粗，几小时到几天，标注稀疏；本库居中偏粗，段级二类；竞赛集更细，试次级事件码；事件相关电位库最细，逐次刺激带时刻。
因此它有两个稳定的用途：一是两状态对比的参照物，任何关于"认知负荷会让脑电怎样"的假设都能在这里先验一遍；二是教学素材，一次实验从设备到文件每一环都对得上，且全库小到可以直接分发。
这个位置不容易被替代。拼一个规模更大的负荷库不难，难的是"同一个人、同一次到访、同一副电极"这种配对——而这恰恰是扩大样本量时最先放弃的东西。
8.4 谁在用它，用来做什么
从公开文献摘要看，引用集中在三个方向：认知负荷检测的分类方法，把它当标准测试集；频谱与相干特征分析，承接论文原本的问题；预处理与降采样影响的评估，看中它统一的处理流程。
还有一类不常被提及的用法：读取库的回归测试。它简单到一个函数就能读完，又包含 EDF 固定字段、二十二路信号、多字符通道名与非标准日期这些真实的边界情况，拿来检验一个 EDF 读取器是否稳健很合适。
三类用法有一个共同点：都不要求大样本。课题一旦要求"至少几百人"，它就会被换掉，而换成什么，往往取决于那个课题需不需要配对。
§9 使用指引
9.1 三种角色的路径
算法研究者的最短路径。 按 §5.2 下一两个受试者、按 §5.3 读采样率、按 §5.5 按人划分，跑一个逻辑回归拿到基线，再决定是否扩到全量。别一上来就按段随机切。
认知神经科学方向的最短路径。 先读 README 的预处理段，再挑一名受试者（推荐 §4.3 的案例）把两段并排画出来，确认自己理解了三十赫兹高通之后还剩下什么。然后按频段算功率，在差数者与好数者两组里分别看，比较结论是否一致。
工程落地方向的最短路径。 先确认要的是离线分析还是在线监测。离线可直接用；在线要自己定义负荷标签与时间窗，这批数据帮不上忙，把它当"两状态的离线上限"估计更合适。
| 角色 | 先做什么 | 别做什么 | 预期产出 |
|---|---|---|---|
| 算法研究者 | 两名受试者跑通全链路 | 按段随机划分 | 可信的跨人基线 |
| 认知方向 | 并排画一段的两状态 | 忽略了三十赫兹高通 | 频段与分组的对照 |
| 工程落地 | 确认离线与在线的差别 | 指望它给出时间标签 | 两状态的可分性上界 |
| 教学 | 用一名受试者做演示 | 用全库做课堂练习 | 完整链路的一次直观演示 |
9.2 先建一份本地索引
#-- 把文件清单与受试者表合成一张分析索引
import pandas as pd
meta = pd.read_csv("subject-info.csv")
rows = []
for _, r in meta.iterrows():
sid = r["Subject"]
for seg, task in (("1", "静息"), ("2", "心算")):
rows.append({"sid": sid, "file": f"{sid}_{seg}.edf",
"task": task, "age": r["Age"],
"group": r["Count quality"]})
idx = pd.DataFrame(rows)
print(idx.groupby("task").size(), idx["group"].value_counts().to_dict())
任务两栏各三十六，计数质量按官方分组为二十四与十二。
9.3 一条最短的可用流程
从零到第一个诚实可比的数字，下面这段够用。它不追求性能，只保证每一步都对得上。
#-- 最小可用流程：两名受试者的跨人基线
import numpy as np, pandas as pd, pyedflib
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import roc_auc_score
def features(path):
with pyedflib.EdfReader(path) as f:
sf = f.getSampleFrequency(0)
idx = [i for i, l in enumerate(f.getSignalLabels())
if l.startswith("EEG")]
x = np.vstack([f.readSignal(i) for i in idx])
#-- 每一路去均值后取方差与零交叉率，作为最朴素的负荷特征
var = x.var(axis=1)
zcr = np.mean(np.abs(np.diff(np.sign(x), axis=1)) > 0, axis=1)
return np.concatenate([var, zcr, [sf]])
def person(n):
sid = f"Subject{n:02d}"
X = np.vstack([features(f"{sid}_1.edf"), features(f"{sid}_2.edf")])
y = np.array([0, 1])
return X, y
Xtr, ytr = person(0)
Xte, yte = person(1)
clf = LogisticRegression(max_iter=2000).fit(Xtr, ytr)
print("跨受试者 AUC", round(roc_auc_score(yte, clf.predict_proba(Xte)[:, 1]), 3))
这里刻意做跨受试者：Subject00 训练、Subject01 测试。每人只有两条样本，AUC 只能落在零、零点五、一这三个点上，几乎没有统计意义——它的意义在于把流程跑通，并让人亲手体会到"两条样本训不出东西"。要换成留一受试者，把两个 person 调用改成三十六个编号轮流当测试集即可。
9.4 引用方式
官方要求同时引用两件东西：原始论文与 PhysioNet 平台。论文那一条是 Zyma、Tukaev、Seleznov 等七人于 2019 年发表在《Data》第四卷第一期、文章号 14 的数据描述文章，DOI 为 10.3390/data4010014。平台那一条按 PhysioNet 的现行建议引用其 2026 年的平台综述。
数据本身建议写到版本级：数据集名称、版本号 1.0.0、DOI 10.13026/C2JQ1P、访问日期。许可为 ODC-BY 1.0，允许商用与再分发，条件是署名。若做了再加工（重参考、降采样、重新分段），应在方法里写清楚，因为这些步骤会改变别人复现的结果。
§10 AI 使用声明
| 项目 | 声明 |
|---|---|
| 文本生成 | 本文由 AI 辅助撰写，编辑负责结构与事实核对 |
| 数字来源 | 规模、结构、边界三类数字取自 PhysioNet 官方页面与官方文件 |
| 文件核验 | README、RECORDS、subject-info.csv、SHA256SUMS.txt 与单个 EDF 的头区经直接访问确认 |
| 口径冲突 | 官方称 23 通道系统，文件头报告 22 路信号，已在 §3.5 并列呈现 |
| 论文信息 | 仅参考 Crossref 返回的摘要与元数据，未读全文 |
| 未核验内容 | 全部七十二段的波形内容、各段标注道内容、精确采样率以外的采样细节 |
| 图像 | 无配图；封面为生成式提示词，不含真实脑电波形 |
| 免责 | 本文不构成任何临床或工程建议；使用须遵守 ODC-BY 1.0 署名条款 |
常见误读（避坑清单）
| 说法 | 实际 | 证据 |
|---|---|---|
| 「这是一个 .mat 格式的数据集」 | 全部是 EDF，无一 .mat | 文件清单与 RECORDS 七十二行 |
| 「MAT 指 MATLAB」 | MAT 指 Mental Arithmetic Task | 官方全名与页面标题 |
| 「它有几百名受试者」 | 三十六人，每人两段 | subject-info.csv 三十六行 |
| 「每段是几分钟的长记录」 | 每段六十秒 | README 与文件头时长字段 |
| 「采样率很高，适合做高频分析」 | 500 赫兹，且已 30 赫兹高通 | 文件头每记录采样点字段为 500 |
| 「它包含原始未处理信号」 | 只有独立成分分析后的片段 | README 明写预处理流程 |
| 「它有逐题的作答记录」 | 只有四分钟总数与好差分组的标签 | subject-info.csv 只有一列次数 |
| 「可以直接随机切分训练测试」 | 必须按受试者划分 | 每人两段且成对，随机切必泄漏 |
| 「它是癫痫或异常检测数据」 | 全部为健康受试者的任务态记录 | 招募标准排除精神神经科主诉 |
| 「两组人数一样多」 | 好数者二十四人，差数者十二人 | 官方页面分组说明 |
FAQ
Q1：它是 .mat 格式的数据集吗？
不是。库名 EEGMAT 里的 MAT 指 Mental Arithmetic Task，即心算任务，与 MATLAB 的 .mat 文件无关。全库是 EDF 文件加一张受试者表，没有任何 .mat。
Q2：一共多少受试者、多少段记录？
三十六名受试者，每人两段，合计七十二个 EDF。命名从 Subject00 到 Subject35，后缀为 1 的是任务前静息，为 2 的是心算。RECORDS 逐行列出这七十二个文件。
Q3：采样率和通道数是多少？
官方页面只写设备是 23 通道的 Neurocom 系统，没有给出采样率。文件头报告 22 路信号：十九路脑电、一路 A2-A1、一路心电，另有一路标注道。采样率必须从文件里读，不要硬编码。
Q4：能直接用它做二分类认知负荷检测吗？
可以做，但必须按受试者划分。每人只有一段静息与一段任务，随机按段划分会让同一个人的两段分处训练与测试两侧，模型学到的是个体指纹而非任务状态。
Q5：原始信号还在吗？
不在了。官方说明全部记录是经独立成分分析处理后的无伪迹片段，公开的只有清洗结果。想比较去伪迹方法，只能把它当参照组。
Q6：三十赫兹高通对我有影响吗？
看课题。做 alpha 与 beta 频段的分析影响不大，因为这些能量在三十赫兹以上仍有相当部分；做 theta 或慢波分析就要格外小心，低频能量已被大幅削弱，读到的是滤波器之后剩下的部分。
Q7：好数者与差数者两组能直接比吗？
可以比，但要记住两组人数不对等：二十四人对十二人。以差数者为主体的分析功效有限，报告时应给出每组的样本量，并说明结论是否在两组里方向一致。
Q8：记录年份在哪里找？
在 subject-info.csv 的 Recording year 一列，取值为 2010、2011 或 2012。EDF 头里的开始日期被统一设成 1 月 1 日，是占位值，不能用来判断采集年份。
Q9：可以用来做源定位吗？
勉强可以做，但精度有限。十九个电极是 10/20 经典布点，间距较大，且没有个体头模型与结构像。做粗略的皮层分区比较可以，做精细源成像不行。
Q10：许可允许商用吗？
ODC-BY 1.0 允许，包括商业用途，条件是署名。署名要覆盖数据集本身与 PhysioNet 平台两层，具体条款以官方许可全文为准。
Q11：官方有扩版计划吗？
页面只显示一个版本，2018 年底首发，2019 年 3 月补录校验和，之后没有更新说明。从文档形态看，扩版的可能性不大。
Q12：它和运动想象库能拼在一起用吗？
技术上可以，但意义有限。两者的任务、标签体系、参考方式、采样率都不同，拼起来只能做"多个任务的负荷代理"这类粗粒度工作；若要研究任务本身，还是分开分析更可靠。
术语表
| 术语 | 解释 |
|---|---|
| 心算任务 | 不借助外部工具完成的算术运算，本库用的是连续减法 |
| 序列减法 | 每次结果成为下一次被减数的连续相减，是心算负荷的经典范式 |
| 认知负荷 | 工作记忆被任务占用的程度，本库用算不算题来近似 |
| 静息态 | 任务之外的安静闭眼或睁眼记录，本库作为配对对照 |
| 10/20 国际系统 | 按颅骨标志点按比例布放电极的国际惯例，本库取其十九点 |
| 单极导联 | 每个电极相对一个共同参考测量，本库的参考是双耳 |
| 互联耳电极 | 两侧耳垂电极短接后作参考，本库写作 A2-A1 |
| 独立成分分析 | 把多通道信号分解为统计独立成分的盲源分离方法 |
| 眼电伪迹 | 眼球运动与眨眼产生的电位，幅度远大于脑电 |
| 工频陷波 | 针对电网频率的窄带滤波，本库为 50 赫兹 |
| 高通滤波 | 保留高于截止频率的成分，本库截止在 30 赫兹 |
| 功率谱密度 | 信号能量在频率上的分布，是论文的核心分析对象 |
| 相干 | 两路信号在某一频段上的相位一致性，衡量功能连接 |
| 去趋势波动分析 | 用标度指数刻画信号长期相关性的方法，论文的另一个核心对象 |
| 标度指数 | 去趋势波动分析输出的斜率，反映信号的自相似程度 |
| alpha 去同步 | 任务时 alpha 频段功率下降的现象，是最常见的负荷指标 |
| 事件相关电位 | 与特定刺激锁时的平均波形，本库无锁时事件，不适用 |
| 段级标签 | 标签覆盖整段记录而非其中某一时刻 |
| 受试者泄漏 | 同一受试者的样本同时出现在训练与测试集，导致成绩虚高 |
| 留一受试者 | 每次留一个人做测试、其余人做训练，衡量跨人泛化 |
| 组内设计 | 同一批受试者接受全部条件的实验设计 |
| 时间效应 | 由记录顺序或疲劳引起的偏差，与任务本身无关 |
| EDF | 欧洲数据格式，自描述的生理信号文件格式 |
| 数据记录 | EDF 中固定时长的数据块，本库为每秒一块 |
| ODC-BY | 开放数据共享署名许可，允许商用需署名 |
附录 A：核心数字核对表
| 项 | 值 | 来源 | 来源层级 |
|---|---|---|---|
| 受试者数 | 36 | subject-info.csv 行数 | 官方文件 |
| 记录数 | 72 | RECORDS 逐行 | 官方文件 |
| 每段时长 | 60 秒 | README | 官方页面 |
| 信号路数 | 22 | Subject00_1.edf 头区 | 官方文件 |
| 脑电通道 | 19 | 头区通道标签 | 官方文件 |
| 辅助通道 | 1 路 A2-A1 与 1 路心电 | 头区通道标签 | 官方文件 |
| 官方标称通道 | 23 | 页面与 README | 官方页面 |
| 数据记录数 | 182 | 头区数据记录字段 | 官方文件 |
| 记录时长字段 | 1 秒 | 头区 | 官方文件 |
| 每记录采样点 | 500（每路） | 头区采样点字段 | 官方文件 |
| 采样率 | 500 Hz | 采样点除以记录时长 | 官方文件推算 |
| 头字节数 | 5888 | 256 + 22 × 256 | 官方文件推算 |
| 年龄范围 | 16 至 26 岁 | subject-info.csv | 官方文件 |
| 性别构成 | 女 27、男 9 | subject-info.csv 计数 | 官方文件 |
| 记录年份 | 2010 至 2012 | subject-info.csv | 官方文件 |
| 好数者人数 | 24 | 页面分组说明 | 官方页面 |
| 差数者人数 | 12 | 页面分组说明 | 官方页面 |
| 未压缩体积 | 175.1 MB | 页面文件区 | 官方页面 |
| 许可 | ODC-BY 1.0 | 页面许可栏 | 官方页面 |
| 数据 DOI | 10.13026/C2JQ1P | 页面发现栏 | 官方页面 |
| 论文 DOI | 10.3390/data4010014 | Crossref | 论文元数据 |
| 首发日期 | 2018-12-17 | 页面版本说明 | 官方页面 |
附录 B：数字的来源分层
第一层，官方页面与官方文件。 受试者数、记录数、每段时长、信号路数与通道标签、年龄范围、性别构成、记录年份、分组人数、体积、许可与 DOI，全部来自项目主页、README、RECORDS 与受试者表；头区字段来自对单个 EDF 的直接读取。这一层可直接引用，重查可得同样结果。
第二层，论文摘要与元数据。 受试者为基辅一所大学的学生、年龄相当、分析对象是功率谱与相干与去趋势波动，来自 Crossref 摘要；期刊与出版日期同样来自 Crossref。摘要能支撑"作者主张了什么"，不能支撑"结论有多强"。
第三层，未核实。 全部七十二段的波形内容、标注道是否有内容、精确采样率、每段覆盖的减法次数、两段记录之间的间隔、是否有先算题后静息的受试者。正文中凡涉及这些的地方，都只做定性表述或明确标注为推断。
附录 C：完整参考文献
| 编号 | 文献 | 链接 | 用途 |
|---|---|---|---|
| 1 | EEG During Mental Arithmetic Tasks v1.0.0 | https://physionet.org/content/eegmat/1.0.0/ | 规模、结构、边界数据 |
| 2 | 该库文件目录 | https://physionet.org/files/eegmat/1.0.0/ | README、RECORDS、受试者表、头区 |
| 3 | Zyma I, Tukaev S, Seleznov I, et al. Data 2019;4(1):14 | https://doi.org/10.3390/data4010014 | 实验动机与分析对象 |
| 4 | 同上的 Crossref 元数据与摘要 | https://api.crossref.org/works/10.3390/data4010014 | 作者、机构、出版日期 |
| 5 | PhysioNet 平台综述（2026，Nature Health） | https://doi.org/10.1038/s44360-026-00096-z | 托管模式与引用规范 |
| 6 | ODC-BY 1.0 许可全文 | https://opendatacommons.org/licenses/by/1-0/ | 许可条款 |
| 7 | 10/20 国际系统电极布点惯例 | https://www.eeg.tuwien.ac.at/eeg.tuwien.ac.at_pages/events/ec20/EC20_program.htm | 十九点布点的来源 |
| 8 | EEGMMIDB（库内对照） | https://physionet.org/content/eegmmidb/1.0.0/ | §6.3 的规模与标签对比 |
附录 D：任务代码
把一名受试者的两段记录画成"频段功率对比"，这段够用，不需要训练模型。
#-- 逐人比较静息与心算的频段功率
import numpy as np, mne
BANDS = {"theta": (4, 8), "alpha": (8, 13), "beta": (13, 30)}
def band_power(path):
raw = mne.io.read_raw_edf(path, preload=True, verbose="ERROR")
eeg = raw.copy().pick([c for c in raw.ch_names if c.startswith("EEG")])
eeg.set_eeg_reference("average", verbose="ERROR")
psd = eeg.compute_psd(method="welch", verbose="ERROR")
data, freqs = psd.get_data(), psd.freqs
out = {}
for name, (lo, hi) in BANDS.items():
m = (freqs >= lo) & (freqs < hi)
out[name] = float(data[:, m].mean())
return out
rows = []
for n in range(36):
sid = f"Subject{n:02d}"
a = band_power(f"{sid}_1.edf")
b = band_power(f"{sid}_2.edf")
rows.append({k: b[k] / a[k] for k in BANDS})
for k in BANDS:
v = np.array([r[k] for r in rows])
print(k, "中位比值", round(float(np.median(v)), 3),
"负项人数", int((v < 1).sum()))
输出的每一行是一个频段、三十六人任务态与静息态功率比值的中位数、以及有多少人的比值小于一。alpha 那一行通常会有明显的下降，这正是认知负荷最常见的脑电表现。
附录 E：如果只记五件事
第一，它是单实验室的心算任务脑电库，三十六名健康大学生，每人一段静息与一段六十秒心算，全部为 EDF，与 .mat 文件无关。
第二，它最大的价值是配对：同一副电极、同一长度、唯一变化的变量是算不算题，这个配对在别的库里买不到。
第三，它交付的是清洗结果，原始信号与成分分离矩阵都没有。
第四，通道数有两个口径：官方称 23 通道系统，文件头报告 22 路信号；采样率页面未写，须从文件读取。
第五，现实的用法是两状态二分类加留一受试者验证；按段随机划分得到的准确率几乎都来自同一受试者的泄漏。
编辑说明
核验时间 2026 年 10 月 28 日。核验方式：直接访问 PhysioNet 项目页，读取 README.txt、RECORDS 全表、subject-info.csv 与 SHA256SUMS.txt，并按字节区间读取 Subject00_1.edf 的头区，解析信号数、通道标签与固定字段；页面上的文件清单与体积亦逐一核对。论文信息仅取 Crossref 元数据与摘要。另读取 Subject01_1.edf 的采样点字段以确认每记录 500 点。未覆盖：全部七十二段的波形内容、标注道内容、两段记录之间的间隔。通道数的两个口径（23 与 22）按并列呈现，不作判断。
相关数据集导航
以下为站内 AI-Ready 数据集百科中与本词条共享多个主题标签的相关数据集，按相关度降序排列：
- earh — 共享标签：生理信号 / 脑电信号 / 神经科学
- earndb — 共享标签：生理信号 / 脑电信号 / 神经科学
- openneuro — 共享标签：生理信号 / 脑电信号 / 神经科学
- eeg-gaba-anesthesia — 共享标签：生理信号 / 脑电信号 / 神经科学
- seed — 共享标签：生理信号 / 医学问答与基准
- siena-scalp-eeg — 共享标签：生理信号 / 脑电信号 / 神经科学
- eeg-power-anesthesia — 共享标签：生理信号 / 脑电信号 / 神经科学
- ltrsvp — 共享标签：生理信号 / 脑电信号 / 神经科学
- ibl-brain-wide-map — 共享标签：生理信号 / 脑电信号 / 神经科学
- spikeinterface — 共享标签：生理信号 / 脑电信号 / 神经科学
导航说明：本章节由全站统一标签体系自动计算生成（标签重合度算法），双向可达；点击链接可跳转至对应数据集词条。
