Multisession fNIRS-EEG Post-Stroke Motor Recovery — 16 名偏瘫患者 84 次康复训练的同步脑电+近红外纵向数据集

INFOBOX — stroke-eeg-fnirs 一屏速览

维度	内容
本质	同步 EEG + fNIRS 的卒中康复纵向记录数据集（不是 fNIRS 单独的、也不是 EEG 单独的）
团队	Skoltech（Vladimir Zelman 神经生物学与脑康复中心）+ 俄罗斯联邦医学生物署大脑研究联邦中心 + 莫斯科国立大学 + 皮罗戈夫医科大学 + 康德波罗的海联邦大学
第一作者	Alexandra Medvedeva（Skoltech 神经中心 Junior Research Scientist，通讯）
论文	Scientific Data 2026;13:448，doi:10.1038/s41597-026-06803-5（收到 2025-05-07 / 接受 2026-02-02 / 在线 2026-02-14）
样本	16 名上肢偏瘫患者，42–71 岁（57.2±9.68），6 女 10 男，全部右利手，全部 mRS=3
病程	13 例亚急性（<6 月）、3 例慢性（>6 月且 <1 年）；缺血 13 / 出血 3
会话	84 次康复训练，每例最多 6 次（session 1 首日 → session 6 出院前）
EEG	NVX-52（MCS），8 导（FCC3/4/5/6、CCP3/4，参考 T9/T10），+2 EMG +1 ECG，500 Hz
fNIRS	NIRSport 16×16 与 8×8（NIRx），24 光源 @760/850 nm + 24 探测器，源-探距约 3 cm，13.56 Hz，剔除故障探测器后 70 通道
任务	SRT 键压任务：LED 闪光 → 腕/指伸展按键；每 run 12 闪光，200 ms，间隔 9–11 s；每手 ≥3 run/会话
量表	ARAT + Fugl-Meyer（FMA-UE 0–66 / FMA-S 0–12 / ROM 0–24 / 疼痛 0–24，合计 126）
同步	自研 Arduino 触发，刺激起始同时向 EEG 与 fNIRS 的 TTL 输入发脉冲（硬件级）
格式	FIF（MNE）+ SNIRF + EDF + TXT 事件表 + Python 脚本
获取	Figshare 10.6084/m9.figshare.28904942 公开（许可证论文未声明）
库内互链	tuh-eeg-corpus(71)、chb-mit-scalp-eeg(72)、bonn-eeg(322)、eegmmidb(342)、hbn-eeg(362)、helsinki-neonatal-eeg(880)、siena-scalp-eeg(1070)、mental-fnirs(1021)、stroke-scale-mimic-iii(596)

这个数据集回答的是一个所有卒中 BCI 团队都绕不开的问题：当患者的大脑正在重新学会控制手的时候，脑皮层上同时发生了什么、又在之后几秒发生了什么？ 前者是 EEG 的观察窗口——神经元同步放电在毫秒尺度上留下的电位与节律变化；后者是 fNIRS 的观察窗口——被激活的皮层在数秒内召唤来的含氧血流。两者绑在同一根触发器上同时录制，而且不是在实验室里录一次，而是跟着患者走完整个住院康复周期、每次最多 6 回。

导语读法三则：

1. 只想弄懂 EEG 与 fNIRS 为什么必须一起用：先读 §3，那是本条的生理学地基；读完之后 §4 的技术实现才有意义。
2. 想下数据做实验：直奔 §6 获取与文件结构、§7 技术验证里的滤波/分段/ERD 参数——这些参数决定了你能复现论文哪张图。
3. 想评估它是否适合你的课题：直奔 §8 局限与 §9 与库内 EEG 条目的区分——本条是卒中康复 + 多模态 + 纵向，与库内癫痫、睡眠、新生儿、健康人运动想象条目都不是同一类。

§0 导读：这个数据集解决什么问题

卒中（stroke）是全球成人长期残疾的首位原因，而运动障碍是对生活质量影响最大的一类后遗症。康复医学的尴尬在于：治疗师能看到患者的手抬起来多高、能捏起多大的木块，却看不到"大脑是怎么把控制权一点点拿回去的"。要看见这件事，需要两类互补的测量：

• 电生理层：EEG 记录皮层锥体细胞突触后电位在头皮上的总和。运动准备与执行会在感觉运动区留下两类可测标记——运动相关皮层电位（MRCP，毫秒级慢电位）与感觉运动节律的事件相关去同步（ERD/S，alpha 与 beta 频段的功率下降）。
• 血流动力学层：fNIRS 用 760–850 nm 近红外光穿过头皮与颅骨，靠氧合血红蛋白（HbO）与脱氧血红蛋白（HbR）的吸收差反演皮层血流变化。这个响应慢，峰值通常在刺激后 5–7 秒，但它是"这块皮层真的被调用了"的代谢证据。

真实的神经活动是"电活动先行、血流随后"的耦合过程（neurovascular coupling）。只测 EEG，看到的是放电；只测 fNIRS，看到的是补给。卒中恰恰可能破坏这种耦合本身——病灶区的血管反应性可能受损，此时若只有 fNIRS，就会把"血管坏了"误读成"皮层没工作"。因此在卒中场景里，同步双模态不是锦上添花，而是必要的交叉验证。

这个数据集的价值还在于"纵向"二字。康复是一个多周的过程，同一个患者在不同时点的脑活动不可直接比较：他会学习（对任务越来越熟，ERD 形态会变）、头皮电极与光极每次都会重新摆放（位置漂移带来通道级差异）、病灶周围组织本身在重塑。单次横断面记录无法把"学习效应"“位置漂移”"真实恢复"三者分开；只有同一患者多次、每次重新摆位、每次都带同样的任务与量表，才能把这些成分逐步剥离。84 次会话、每例最多 6 次的重复，正是为此设计的。

§0 读法三则：

1. 本条目是"数据描述论文（Data Descriptor）"，不是疗效研究：论文不给康复干预方案的效果结论，给的是数据规格 + 一组技术验证图（患者 03 的血流动力学与 ERD/MRCP 示例）。
2. 全文的核心数字（16 / 84 / 8 导 / 70 通道 / 13.56 Hz）均可回溯到论文 Methods 节，出处见附录 C。
3. 检索时若只搜 “fNIRS stroke dataset” 会漏掉它——标题里 fNIRS 与 EEG 是并列的，且仓库名在 Figshare 而非 PhysioNet/OpenNeuro（坑 1）。

§1 数据集速览：十问十答

Q1：一句话说清它是什么？
16 名卒中后上肢偏瘫患者在住院康复期间、每次训练时同步采集的 8 导 EEG 与 70 通道 fNIRS 记录，合计 84 次会话，任务为健手与患手的按键应答，附 ARAT 与 Fugl-Meyer 量表评分。

Q2：为什么说它是"全球首个"？
Skoltech 2026-03-03 的新闻稿称这是"the first in the world to combine long-term recordings of brain activity obtained using two advanced methods—EEG and fNIRS"。论文正文的表述更克制：只写"longitudinal datasets combining fNIRS and EEG in stroke populations remain limited"。把"首个"当作机构宣称，把"仍然稀少"当作论文结论——这是引用时的正确分寸（坑 2）。

Q3：84 次会话怎么分布？
每例最多 6 次：session 1 是康复第一天，session 6 是出院前最后一次。84 是全部患者的会话总数，不是每人 84 次。论文限制节明确写"incomplete session coverage for some participants"——有人没走满 6 次。

Q4：8 导 EEG 会不会太少？
确实少，论文自己把"limited number of EEG channels"列为第一条局限。但这 8 个位置不是随便选的：FCC3/FCC4/FCC5/FCC6 与 CCP3/CCP4 是 10/5 系统里紧贴感觉运动区（C3/C4 附近）的中间位置，而且被刻意布置在 fNIRS 光极之间，避免光纤与电极抢位置。少而准，是折中而非疏忽。

Q5：fNIRS 70 通道是怎么来的？
24 个光源 + 24 个探测器理论上可组成更多源-探对，实际排布产生 70 个功能通道，因为其中一个探测器故障，其构成的通道与对侧对称通道一并剔除。

Q6：两台设备怎么对齐时间？
靠硬件，不靠软件后配准：自研 Arduino 控制器在每次视觉刺激出现的瞬间，同时向 EEG 放大器和 fNIRS 设备的 TTL 同步输入口发送脉冲。因此两路信号的零点来自同一个物理事件。

Q7：任务到底是什么动作？
不是握拳，也不是抓握物体，而是腕与手指伸展按键——手掌朝下放在定制盒里，按钮在手掌上方，必须做伸展动作才能按到。每 run 12 次 LED 闪光，每次 200 ms，间隔 9–11 秒；两侧 LED 交替伪随机出现，但只有目标手一侧的闪光需要应答。

Q8：临床量表给了什么？
ARAT（上肢动作研究量表）与 Fugl-Meyer 评估。FMA 拆成四个域：上肢运动 FMA-UE（0–66）、感觉 FMA-S（0–12）、被动关节活动度（0–24）、关节疼痛（0–24），满分 126。论文 Table 1 给逐例的基线与康复后评分。

Q9：数据在哪、什么格式？
Figshare，DOI 10.6084/m9.figshare.28904942。三种格式并存：FIF（MNE-Python 原生）、SNIRF（fNIRS 社区标准）、EDF（EEG 临床通用格式），另附 TXT 事件表与 Python 加载/预处理脚本。

Q10：它和库内那些 EEG 数据集什么关系？
没关系——是"同模态、不同临床场景"的平行条目。tuh-eeg-corpus(71)、chb-mit-scalp-eeg(72)、bonn-eeg(322)、siena-scalp-eeg(1070) 都是癫痫；helsinki-neonatal-eeg(880) 是新生儿；hbn-eeg(362) 是儿童发育队列；eegmmidb(342) 是健康人运动想象。本条是卒中患者真实运动康复 + fNIRS 联采 + 纵向，在这几个维度上都是唯一（§9 详表）。

§2 数据构成与规格

2.1 队列画像：一个刻意收窄但仍然异质的卒中样本

维度	数值	说明
样本量	16 例	论文明确自陈"limited sample size"
年龄	42–71 岁，均值±标准差 57.2 ± 9.68	集中在中年段，与首发卒中流行病学一致
性别	6 女 / 10 男	论文只写"6 females"，未给男女比例之外的细节
利手	全部右利手	消除了利手对半球优势的混杂，是大样本研究常忽略的控制
诊断	上肢偏瘫（upper limb hemiparesis）	只收上肢功能障碍者，不收纯下肢或纯失语患者
残疾分级	全部 mRS = 3	中度残疾，能配合任务但不完全独立
病程	亚急性 13 例（<6 月）/ 慢性 3 例（>6 月且 <1 年）	慢性组仅 3 例，纵向结论主要反映亚急性期
病因	缺血 13 / 出血 3	缺血为主，与流行病学比例接近
病灶确认	CT 或 MRI	定位信息在论文 Table 1 逐例给出
认知语言	保留（preserved）	排除失语与明显认知障碍
招募现场	俄罗斯联邦医学生物署大脑研究联邦中心	住院康复场景

这张表最值得注意的不是"16 例偏少"，而是几处刻意的同质化控制：全部右利手、全部 mRS=3、认知语言保留、病程限制在一年以内。每一项都在减少混杂——右利手消除半球优势偏侧性，mRS=3 保证任务可完成，认知保留保证能理解指令。代价是外部效度：你的模型在 mRS=4–5 的重度患者或病程数年的慢性患者身上是否成立，这个数据集回答不了。

2.2 会话结构：84 次是如何组织的

患者（1–16）
 └── session（1 … 6）            ← session 1 = 康复首日；session 6 = 出院前末次
      └── run（每手 ≥3 个）        ← 每个 run 指定一只手为目标手
           └── 12 次闪光（每侧 LED 6 次，伪随机）

三个层级的语义要分清：

1. session 是时间轴：它锚定的是康复进程（住院第几天到出院），不是等间隔的日历。患者之间 session 间隔长短不一，论文未给逐例的会话日期表——因此做纵向分析时，"时间轴"应当用 session 序号做序数变量，而不是假设等间隔的连续时间（坑 5）。
2. run 是随机化的单位：目标手在每个 run 开始前指定，且 run 顺序在患者间变化。这让同一 session 内的左右手对比不被固定顺序的系统误差污染。
3. 试次是事件单位：每个 run 12 闪光，其中 6 次是被试手侧的"目标"（要按键），6 次是对侧的"非目标"（要忽略）。非目标试次恰好构成了一个同感官输入、无运动输出的对照——这是后续 ERD 基线定义的依据（§7.3）。

84 次会话是总数。论文限制节写"incomplete session coverage for some participants"，即不是每例都走满 6 次；同时预处理又删除了 30 个 recording（主要来自前 3 名患者，因伪迹与触发错误）。84 这个数字究竟统计在剔除之前还是之后，论文没有明说，这是本条目登记的第一条待核疑点（附录 S）。

2.3 EEG 配置：8 导为什么够用又不完全够用

属性	规格
放大器	NVX-52（MCS，俄罗斯泽列诺格勒）
电极	8 个被动 Ag/AgCl
位置	FCC3、FCC4、FCC5、FCC6、CCP3、CCP4（10/5 系统）
参考	T9 / T10（双侧乳突/耳后区）
阻抗	< 10 kΩ
采样率	500 Hz
同机附加通道	2 路 EMG（双侧指伸肌，bipolar belly-tendon）+ 1 路 ECG（双腕，Einthoven 导联 I）
单文件通道总数	11（8 EEG + 2 EMG + 1 ECG）

FCC3/FCC4 与 CCP3/CCP4 是 10/5 系统在 C3/C4 周边插入的中间位置：FCC 位于 F 与 C 之间、CCP 位于 C 与 P 之间。它们比标准 C3/C4 更贴近中央前回与中央后回的交界，对感觉运动区的覆盖更聚焦；而 FCC5/FCC6 更偏外侧，覆盖手部代表区的外侧延伸。

真正的设计约束来自 fNIRS：光极与电极都要占头皮，8 个电极被安排在光极之间的空隙里（论文原文 “Electrode positions were chosen to be placed between the fNIRS optodes to cover regions over the sensorimotor cortices”）。这意味着 EEG 的布点并非最优空间采样，而是"在 fNIRS 允许的缝隙里尽量贴住感觉运动区"的联合优化结果。

由此带来的分析边界很清楚：能做的是双侧半球对比（左 vs 右）、局灶 ERD/MRCP 波形、以及少量通道间的相干性；不能做的是源定位（8 导远不足以做可靠逆问题求解）、全头地形图、或精细的空间频率分析。任何声称在本数据上做"全脑网络"的论文都需要被追问方法。

此外，EMG 与 ECG 的存在是重要的工程红利：EMG 可以用于校验"被试到底动了没有、动得多大"（在偏瘫患者身上这不是小事——运动意图与实际输出常常脱节），ECG 则可用于剔除心搏伪迹。论文没有专门展开这两路的用法，但它们在原始文件里可用。

2.4 fNIRS 配置：24 光源 × 24 探测器的排布算术

属性	规格
设备	NIRSport 16×16 与 NIRSport 8×8（NIRx Medizintechnik GmbH，柏林）
工作模式	连续波（continuous wave, CW）
光源	24 个，每源双波长 760 nm / 850 nm，每波长功率 5 mW
探测器	24 个（Si 光电二极管）
源-探距	约 3 cm
覆盖区	感觉运动区及邻近区（双侧）
采样率	13.56 Hz（多光源同时点亮所得的等效采样节奏）
通道数	70（1 个探测器故障，其通道与对侧对称通道一并剔除）
输出	原始光强 → 光密度（optical density），两波长

三个技术点值得展开：

1. 13.56 Hz 是一个"妥协值"。NIRx 的连续波系统通过分时点亮光源来区分通道，通道越多，单通道可获得的有效采样率越低。13.56 Hz 意味着时间分辨率约 74 ms——对血流动力学信号（主能量在 0.01–0.2 Hz）绰绰有余，对任何想从 fNIRS 里"看出快速电活动"的尝试则完全不够。这也正面回答了"fNIRS 能不能替代 EEG"：不能，物理上就不行（§3.4）。
2. 源-探距 3 cm 决定探测深度。近红外光在组织中的穿透随距离衰减，3 cm 间距是国际通行的"兼顾信噪比与皮层深度"折中值，对应约 2–3 cm 的皮层深度——即灰质表层。论文整体表述为"可达头皮下 4 cm 深度"（新闻稿与背景节），这是文献常用上界，与 3 cm 间距的常规探测深度不矛盾但不宜混用。
3. 70 而非"24×24 相邻配对"的更多通道。典型排布下每个探测器与相邻若干光源配对，理论通道数取决于几何；论文只给出最终结果 70，未给逐通道的源-探坐标表（坐标存在文件头里，随数据发放）。这对复现"通道分组"分析有影响：论文的左右半球通道簇划分需要从文件元数据里读出，而不是从论文表格里抄。

2.5 多格式并存与文件命名

格式	内容	适用工具
.fif	EEG 与 fNIRS 全量（MNE 原生）	MNE-Python（v1.3.1 起）
.snirf	fNIRS（社区标准 Shared Near Infrared Spectroscopy Format）	MNE-NIRS、Homer3 等
.edf	EEG（European Data Format）	EDFbrowser、EEGLAB、MNE
.txt	SNIRF 配套事件表（时间戳 + 事件码）	任意

文件命名采用四段结构：

<患侧 R/L>_<患者编号>_<session N>_<目标手+run 序号>
示例：fNIRS/R_02_session2_right1

解读：患侧为右（R）、患者 2 号、第 2 次 session、第 1 个以右手为目标的 run。论文用这个例子说明命名规则；注意 right1 里的 right 是目标手而非患侧（本例中两者恰好相同，容易误读——坑 3）。

事件标记只有两个：flash_l 与 flash_r，按视觉刺激出现在哪一侧命名，而不是按"哪只手要动"。所以在一个右手目标的 run 里，flash_r = 目标试次（右手动作），flash_l = 非目标试次（无动作）。这个约定对 ERD 分析至关重要：如果把 flash_l 误当作"左手动作"，整个对比就反了。

2.6 数据量与缺口的诚实清单

论文没有公布总数据量（GB）、文件总数、逐患者 session 明细表。可确认的量化信息只有：16 例、84 次会话、每次 ≥6 个 run、每 run 12 闪光、8+3 通道 @500 Hz、70 通道 @13.56 Hz。粗略推算单次会话 6 个 run × 12 试次 × 平均 10 s 间隔 ≈ 12 分钟纯任务时间，加上准备与间歇，实际单次记录时长应更长——但这是估算，不可当作论文事实引用。

缺口清单（写论文时应当注明"论文未报告"）：

• 总数据体积、文件数量：论文未报告。
• 逐患者 session 数与日期：论文未汇总（Table 1 只给临床评分与病灶）。
• 卒中侧别（左/右半球）的患者级分布：正文未汇总，仅能从文件名 R/L 推断。
• fNIRS 通道的逐通道源-探坐标：论文未列表，存于文件头。

§2.7 一份"数据规格对账单"

把论文里散落在各节的参数集中成一张表，便于复制到方法学章节直接引用。左列是"你写论文时会用到的话"，右列是"能背书的原文位置"。

规格项	取值	原文位置
受试类型	上肢偏瘫卒中后患者	Methods · Study subjects
n	16	Abstract / Methods
年龄	42–71；57.2 ± 9.68	Methods
性别	6 女（其余按 10 男计）	Methods
利手	全部右利手	Methods
病程分组	亚急性 13（<6 月）；慢性 3（>6 月且 <1 年）	Methods
病因	缺血 13；出血 3	Methods
残疾	mRS = 3（全部）	Methods
病灶确认	CT 或 MRI	Methods
认知语言	保留	Methods
康复现场	俄罗斯联邦医学生物署大脑研究联邦中心	Abstract / Methods
会话数	84（每例 ≤6）	Abstract
单会话 run 数	每手 ≥3	Methods
单 run 试次数	12（每侧 6）	Methods
刺激时长	200 ms	Methods
试次间隔	9–11 s	Methods
EEG 系统	NVX-52（MCS，泽列诺格勒）	Methods
EEG 电极数	8（被动 Ag/AgCl）	Methods
EEG 位置	FCC3/FCC4/FCC5/FCC6/CCP3/CCP4	Methods
EEG 参考	T9/T10	Methods
阻抗	<10 kΩ	Methods
EEG 采样率	500 Hz	Methods
附加生理通道	2 EMG（指伸肌）+ 1 ECG（双腕）	Methods
fNIRS 系统	NIRSport 16×16 / 8×8（NIRx）	Methods
fNIRS 光源	24，760/850 nm，5 mW/波长	Methods
fNIRS 探测器	24（Si 光电二极管）	Methods
源-探距	≈3 cm	Methods
fNIRS 采样率	13.56 Hz	Methods
fNIRS 通道	70（1 探测器故障后）	Methods
同步方案	Arduino TTL；刺激起始双路触发	Methods
预处理工具	MNE-Python v1.3.1	Methods
EEG 预处理程度	无（raw）	Methods
文件格式	FIF / SNIRF / EDF / TXT	Data Records
附带内容	人口学、ARAT、FMA、Python 脚本	Abstract / Data Records
仓库	Figshare 10.6084/m9.figshare.28904942	Data availability
伦理	Skoltech 伦理委员会，protocol №10，2023-05-18	Methods
注册	NCT06806397	Methods

对账单的使用方式：写方法学引用时逐行取用，凡是本表没有的项，说明论文未报告，不要凭"同类研究常见做法"补全。这是 AI-Ready 条目对下游科研写作最实际的贡献——把"论文说了什么"和"行业惯例是什么"分开。

§2.8 采样率与分辨率的一张换算表

量	数值	换算含义
EEG 采样间隔	1/500 s = 2 ms	500 ms 的 LRP 峰值定位可精确到毫秒
EEG 奈奎斯特上限	250 Hz	40 Hz 低通后仍余 210 Hz 保护带
fNIRS 采样间隔	1/13.56 s ≈ 73.7 ms	11 s 分段约 149 个采样点
fNIRS 奈奎斯特上限	≈6.78 Hz	0.7 Hz 低通后余量充足
fNIRS 典型 HRF 峰值延迟	5–7 s	相对 73.7 ms 采样间隔约 68–95 个点
单 run 时长（按 12 试次 × 10 s）	≈120 s	单 run 内 fNIRS 约 1628 个采样点
单会话（按 6 run）	≈12 min 纯任务	不含准备与休息

这张表有两个用途：一是判断"这个采样率对我的分析够不够"（73.7 ms 对 HRF 绰绰有余，对 ERP 完全不够）；二是估算数据规模——若你要做单试次 fNIRS 分类，每个试次只有约 149 个点，特征维度天然很低，这反过来提示单试次 fNIRS 分类的瓶颈是样本数而非特征数。

§2.9 通道命名与解剖位置的对应关系（按 10/5 系统常识）

论文给了电极名，没给坐标。下表是按 10/5 系统标准位置推得的近似解剖指向，仅供理解，不能当作论文数据引用：

电极	大致位置	皮层指向（近似）
FCC3	F 与 C 之间、左半球中线偏内	左侧中央前回（手部运动区前缘）
FCC4	对称于 FCC3，右半球	右侧中央前回
FCC5	F 与 C 之间、左半球偏外	左侧中央前回外侧（手部代表区）
FCC6	对称于 FCC5，右半球	右侧中央前回外侧
CCP3	C 与 P 之间、左半球偏内	左侧中央后回（手部感觉区）
CCP4	对称于 CCP3，右半球	右侧中央后回

这张表的现实意义：六导 EEG 实际上覆盖的是"运动—感觉"配对的双侧各一对（FCC 偏运动、CCP 偏感觉），外加一对偏外侧的 FCC5/6。这解释了为什么论文能做"FCC3 vs FCC4"的偏侧化比较——它们是左右对称的同一功能位点。

§3 为什么 EEG 与 fNIRS 必须一起用：两种时间尺度的互补

3.0 先破除三个流行误解

在展开机制之前，先把三个最常见的误解摆出来。它们的共同点是"把 fNIRS 当作 EEG 的某种低成本版本"，而实际关系完全不是替代关系。

误解一：「fNIRS 是新版 EEG，便宜又便携，迟早取代它。」
事实：两者测的物理量都不同。EEG 测头皮电位（毫伏级以下的电位差），物理源头是皮层锥体细胞突触后电位的同步总和；fNIRS 测近红外光的衰减（光密度），反演出的是血红蛋白浓度。血红蛋白浓度变化本身就是电活动的下游产物，存在数秒延迟。用下游产物去"取代"上游信号，等于用温度计取代体温调节中枢的监护——你测到的是结果，不是原因。

误解二：「fNIRS 只是空间分辨率差一点的 fMRI，和 EEG 拼起来就是低配多模态。」
事实：在多模态脑成像的谱系里，EEG-fNIRS 是一个独立的组合，而不是 fMRI 的降级版。它真正的独特之处在于可在床边、可重复、可长时间佩戴——这三点 fMRI 都做不到。卒中康复场景恰恰最依赖这三点：患者住在康复病房，每周训练数次，不可能每周去做一次 fMRI。因此 EEG-fNIRS 不是"廉价的 fMRI+EEG"，而是"唯一能在康复现场高频重复的多模态方案"。

误解三：「有了 fNIRS 的血流信号，EEG 就只是用来做时间标记的。」
事实：在卒中人群里，EEG 的独立性反而更强。因为病灶可能破坏神经血管耦合，此时 fNIRS 会"失灵"（血流不响应），而 EEG 仍然能记录到电活动。这时 EEG 不是辅助，而是唯一可信的那一路。这也是本数据集把双模态同步作为核心设计的最实际理由——不是"两个一起测更全面"这么笼统，而是"在病理状态下能互相兜底"。

带着这三个澄清往下读，接下来的机制部分才不会被读成"两种技术各有优劣、合起来更好"的泛泛之谈。

这一节是本条目的方法论核心。如果读者只从本节记住一句话，应该是：fNIRS 不是 EEG 的廉价替代品，它测的是另一个物理量，回答的是另一个问题。

3.1 两个物理量：电位与血红蛋白

对比项	EEG	fNIRS
直接测量的物理量	头皮电位差（μV 级）	近红外光衰减（光密度）
生理来源	皮层锥体细胞突触后电位的同步总和	局部氧合/脱氧血红蛋白浓度变化
反映的过程	神经元电活动（兴奋性/抑制性输入到达）	神经活动引发的血流与代谢响应
时间尺度	毫秒（ms）：ERP 成分 100–500 ms，ERD 在数百 ms 内起效	秒（s）：血流动力学响应函数峰值常滞后 5–7 s
典型频带	0.1–40 Hz（含 delta/theta/alpha/beta/gamma）	0.01–0.2 Hz（任务相关）
空间分辨率	低（厘米级，受容积传导模糊）	中（1–3 cm，受源-探距与部分体积效应限制）
穿透深度	全头，但以皮层为主	皮层表层 2–4 cm
对运动的敏感度	高（易受肌电、眼动、电极位移污染）	相对低（但受头皮血流、系统性生理噪声影响）
对头发/头型的敏感度	需要导电膏或干电极	需要光极贴紧头皮、避开发际

两者的关系不是"精度高低"，而是"你问的是哪个问题"。如果你想问"刺激后 300 ms 时运动皮层有没有发出指令"，只有 EEG 能回答；如果你想问"这块皮层为了这次运动调用了多少代谢资源"，只有 fNIRS 能回答。

3.2 电活动与血流：神经血管耦合（neurovascular coupling）

神经血管耦合指的是：局部神经元活动增强 → 局部血管舒张 → 血流量与血氧增加，且这一过程滞后于电活动数秒。它的经典形态是"初始暗化（initial dip）→ HbO 上升 / HbR 下降 → 平台期 → 刺激结束后回落（post-stimulus undershoot）"。

这一耦合机制是 fNIRS 与 fMRI 的 BOLD 信号共同的基础。理解了它，就能理解三件事：

1. 为什么 fNIRS 看到的是"滞后"的激活：fNIRS 的峰值往往出现在刺激后 5–7 s，远晚于 EEG 的 ERP 成分。在论文的图 3 里，患手运动时 HbO 地形图的时间进程正好覆盖这个窗口。
2. 为什么同步双模态能验证耦合本身：EEG 给出"电活动发生在何时、哪一侧"，fNIRS 给出"血流响应出现在何时、哪一侧"，两者之间的时滞与空间一致性就是耦合强度的直接测量。这在卒中研究中尤为关键（§3.3）。
3. 为什么"没看到 fNIRS 响应"不等于"没有神经活动"：可能是血管反应性受损，也可能是信噪比不足，也可能是耦合被病灶破坏。这正是必须同时有 EEG 的理由。

3.3 卒中的特殊性：耦合本身可能坏掉

卒中本质上是脑血流供应中断。这带来一个在健康人研究里不存在的陷阱：

• 血管反应性受损：梗死核心与周围半暗带的微血管对神经活动的舒张反应可能减弱。此时即便皮层仍在放电，fNIRS 也可能测不到应有的 HbO 上升——这叫"神经血管解耦（neurovascular uncoupling）"。
• 血流动力学响应形态改变：病灶侧的响应可能延迟、变平，甚至出现"负向响应"（HbO 下降），这与健康对照的规范形态不可直接比较。
• 系统性生理噪声放大：卒中患者常伴有血压波动、心率变异改变，这些系统性成分会通过头皮血流进入 fNIRS 信号（故常需短通道回归等处理，论文未展开）。

在这种场景下，EEG 是"电活动还在不在"的判据，fNIRS 是"血管还响应不响应"的判据。两者的组合本身就是一种诊断工具：电活动在、血流不响应 → 耦合受损；电活动在、血流也响应 → 耦合保留，可用于 BCI 反馈。单独任一模态都无法区分这些情形。论文在背景节把这一逻辑写得很清楚：“Simultaneous acquisition of EEG and fNIRS provides complementary information: EEG captures fast neural dynamics, while fNIRS reflects slower cortical hemodynamic responses.”

3.4 为什么 13.56 Hz 的 fNIRS 取代不了 500 Hz 的 EEG

一个常见的误解是"fNIRS 便宜便携、又能测脑活动，是不是可以替代 EEG"。从采样率就能看出这条路走不通：

• EEG 采样 500 Hz，奈奎斯特上限 250 Hz，足以刻画 1–40 Hz 的节律与 ms 级 ERP；ERD 的起始潜伏期、MRCP 的 LRP 峰值（论文测得约 0.5 s）都可以精确定位。
• fNIRS 采样 13.56 Hz，上限 6.78 Hz，而其有效信息带宽实际上只有 0.01–0.2 Hz 量级。用它去追 300 ms 的电位变化，等于用秒表去测子弹。

反过来，EEG 也取代不了 fNIRS：EEG 完全测不到"血氧"这个量，无法回答"代谢供给是否匹配"。所以论文的技术验证把两者分开处理——fNIRS 用 0.05–0.7 Hz 带通、[−0.1, 11] s 分段；EEG 用 0.5–40 Hz 带通、[−0.2, 2] s 分段。两套滤波与分段参数几乎是"互相看不见"的，这本身就是两者时间尺度不同的最直观证据（§7）。

3.5 互补性在分析层面的三种用法

数据到手后，双模态的价值体现在三类分析上：

1. 时序对齐的联合分析：以同一刺激为锁时点，分别绘制 EEG 的 ERD 时程与 fNIRS 的 HbO 时程，比较"电活动起始"与"血流响应起始"的时滞。这直接对应耦合强度。
2. 空间一致性的交叉验证：EEG 的 ERD 地形（受限 8 导）与 fNIRS 的 HbO 地形（70 通道）应指向同一侧半球。若两者分道扬镳（如论文患者 03 的正中看到的情况：ERD 主要在 FCC4 即右半球，而 HbO 先起于左半球），这本身就是一个值得解释的病理现象（§7.1、§7.3）。
3. BCI 特征的拼接与冗余降维：把 EEG 的频带功率与 fNIRS 的 HbO 斜率拼成联合特征向量，用于分类"患手 vs 健手运动"或"运动 vs 静息"。EEG 提供快响应（可用于触发），fNIRS 提供稳健的慢成分（可提高准确率）。库内 mental-fnirs(1021) 走的是类似的多模态思路，但场景是认知任务而非卒中康复。

3.6 纵向重复：把"学习"“漂移”"恢复"分开

"多次记录"不是把单次数据复制几遍，而是在时间上造出三种可分离的变异来源：

变异来源	表现	分辨方法
个体内学习效应	同一任务重复多次后，ERD 幅度/潜伏期变化，动作更熟练	看 session 1→6 的单调趋势，且该趋势在健手与患手是否同向
电极与光极位置漂移	每次 session 重新戴帽，通道对应皮层位置有 cm 级差异，单通道幅度出现"跳变"	跨 session 的通道间相关性骤降；用组平均而非单通道比较
真实恢复	患手运动的 ERD 幅度上升、双侧激活模式向正常侧化回归	与 ARAT/FMA 的改善同步出现，且健手侧不出现同样趋势

单次横断面数据无法分离这三者——你看到的一次"患手 ERD 弱"，可能只是那天电极贴歪了，也可能只是患者没睡好。多次、每次重戴、每次同任务、每次配量表，才让"个体内变异（intra-individual variability）"从噪声变成可估计的统计量。

这也解释了为什么论文把"重复"当作样本量不足的部分补偿：限制节原文写"the multiple repetitions per patient increase the reliability of the data and allow analysis of rehabilitation-related dynamics over time"。16 例是天生的样本量短板，84 次重复是设计上的对冲——但要注意，重复不能替代独立个体：统计推断的单位仍应是患者（n=16），而不是会话（n=84），否则会严重低估标准误（坑 6）。

3.7 一张时间轴：从刺激到回落

把两类信号放在同一条时间轴上，物理图像会最清楚。下面的刻度以视觉闪光为 0 s：

时间	EEG 侧发生什么	fNIRS 侧发生什么
−200 ms 至 0	准备电位开始累积（若试次可预期）	无（基线）
0–50 ms	视觉诱发电位（VEP）早期成分	无（光密度尚未变化）
100–200 ms	VEP 中晚期成分，注意定向	无
200–500 ms	运动执行相关负波，LRP 峰约 500 ms	初始暗化（initial dip）可能可见，信噪比极低
500 ms–1 s	感觉运动 alpha/beta 去同步（ERD）快速展开	HbO 开始上升
1–2 s	ERD 达峰，MRCP 出现再传入正波（RAP）	HbO 继续上升，HbR 下降
2–5 s	ERD 逐渐恢复	HbO 接近峰值
5–7 s	基本回到基线	HbO 峰值平台（论文分段窗 [−0.1, 11] s 覆盖到此处）
8–11 s	完全恢复	HbO 回落，可能出现 post-stimulus undershoot

这张表最直观地解释了"为什么两个模态必须同时采"：它们各自的信息出现在完全不同的时间窗里，任何一个窗口截断都会丢信息。如果只采 EEG 2 s，你会看不到血流响应的上升；如果只采 fNIRS 11 s 以下，你会丢掉 ERD 的全部细节。论文的两套分段参数（EEG [−0.2, 2] s、fNIRS [−0.1, 11] s）恰好覆盖各自的核心窗——这不是巧合，而是两类信号时间常数的直接映射。

3.8 论文示例的跨模态接力再解读

把 §7.1 与 §7.2 的结果叠到上面这条时间轴上，患者 03 的故事可以这样讲：

1. 0.5 s 左右：FCC3（患侧，左）出现 LRP 负峰——患侧半球在尝试发出运动指令。
2. 0.5–2 s：FCC4（健侧，右）的 alpha/beta ERD 最强——健侧半球快速介入。
3. 2–11 s：HbO 先在同侧（患侧）半球上升，随后在对侧（健侧）半球上升——血流层面的"接力"滞后于电层面的介入。

换句话说：电层面的双侧介入几乎同时发生（健侧甚至更强），而血流层面的响应有明确先后（患侧先、健侧后）。这种"电-血流不同步"本身就是神经血管耦合在病理条件下被扰动的证据，也正是单模态研究永远看不到的东西。

需要强调的是，这是单例观察 + 论文作者的解读，不是经过组水平统计验证的结论。它的价值在于"展示了数据能回答什么问题"，而不是"给出了答案"。

3.11 本节小结：互补性的四条判据

判断"两个模态是否真的互补"，可以用四条判据：

1. 测不同的物理量（电位 vs 血红蛋白）——本数据满足。
2. 时间尺度不同且都不可由对方推出（ms vs s）——本数据满足（500 Hz vs 13.56 Hz）。
3. 空间覆盖有交叠可用于交叉验证（感觉运动区双侧）——本数据满足（8 导 vs 70 通道均覆盖 C3/C4 附近）。
4. 同一事件锁时（同一刺激触发器）——本数据满足（Arduino TTL 硬件同步）。

四条全中，这是"同步联采"而非"先后采集、事后拼接"的定义性特征，也是本数据集比"另找一份 EEG 加一份 fNIRS 配对"更有价值的地方。

§3.9 三个常被问到的物理问题

问题一：为什么 fNIRS 不能"看深一点"，直接测到丘脑或基底节？

近红外光在脑组织中的穿透遵循指数衰减规律：光强随深度迅速衰减，且散射远强于吸收。源-探距 3 cm 时，光子的"香蕉形"路径最深到达约 2–3 cm，正好覆盖皮层灰质上半部。要测更深的结构，需要把源-探距拉到 4–5 cm，但此时信号强度下降到难以与系统噪声区分；同时头皮与颅骨层的干扰占比显著上升。这就是为什么所有商用 fNIRS 的常规配置都停在 3 cm 附近——不是不想深，是物理不允许。卒中研究里这一点尤其要紧：基底节与内囊是常见病灶部位，但 fNIRS 对它们是"盲"的，只能通过皮层表面的次级变化间接推断。

问题二：为什么 EEG 能"看到全脑"却不能定位？

头皮电位是全脑无数神经元同步活动的叠加，容积传导（volume conduction）让颅骨与头皮把源信号在空间上严重模糊。一个位于深部的源与一个位于皮层的源，可能在头皮上产生几乎相同的电位分布——这叫"逆问题的不适定性"。要缓解它，需要 ≥32（最好 64 以上）导的密集阵列加个体化头模型。8 导时，逆问题解的自由度远多于观测数，任何源定位结果都不可信。所以本条目的正确用法是区域级分析：左半球区域 vs 右半球区域，而不是"某某皮层柱"。

问题三：13.56 Hz 这个奇怪的数字从哪来？

它不是随手选的，而是 NIRx 连续波系统分时点亮方案的整除结果。系统以固定主时钟交替点亮不同光源组，各组轮转一周的周期决定了单通道的有效采样间隔。13.56 Hz 恰好是其内部时序的整数分频（也与 13.56 MHz 的 ISM 频段无关，纯属数字巧合，容易引起误读）。这个数字的意义在于：它由硬件时序决定，不可调。想在 fNIRS 上提高采样率，除非换设备原理（如频分复用或飞行时间系统），否则行不通。

3.10 为什么同步在卒中研究里比在健康人研究里更重要

健康人研究里，EEG 与 fNIRS 各自独立采集、事后按任务标记对齐，误差通常可以容忍——因为健康人的血流响应形态稳定，稍许时滞不影响结论。卒中患者则不然，三条理由：

1. 血流响应可能延迟：病灶侧半球的 HRF 峰值延迟可能达到 1–2 s 甚至更多。若对齐本身就有 ±0.5 s 误差，延迟的估计将完全失真。
2. 单试次信噪比低：偏瘫患者能做成功的试次少、动作幅度小、肌电伪迹重，可用试次本就稀少，容不得对齐误差再吃掉一部分。
3. 纵向比较跨设备重戴：每次 session 都要重新安装光极，通道-皮层映射有变动。同步只解决"时间"，不解决"空间"——所以空间上必须靠组平均与解剖配准，而不是靠单通道的跨 session 比较。

这三点合起来说明：本数据集把"硬件同步"当作设计核心，不是技术炫技，而是卒中场景的刚需。

§4 采集现场：从病床到数据文件

4.0 一条记录的完整生命周期

伦理与入组（mRS=3、上肢偏瘫、认知保留、右利手）
   ↓
康复首日 → session 1（戴帽、打胶、调阻抗 <10 kΩ、装光极）
   ↓
SRT：每手 ≥3 run，run 间休息；LED 200 ms，间隔 9–11 s
   ↓
Arduino 在每个刺激起始同时发 TTL 给 EEG 与 fNIRS
   ↓
采集结束 → 原始 .fif/.snirf/.edf 落盘 → 伪迹/触发检查
   ↓
（若伪迹过多或触发错误 → 该 recording 被剔除，共 30 个）
   ↓
强度 → 光密度（MNE v1.3.1）→ 交付 Figshare

这条链路里有两个"人为闸门"值得注意：一是入组闸门（决定样本长什么样），二是剔除闸门（决定交付的样本与采集的样本差多少）。前者论文写得很清楚，后者只给了一个总数 30，没给逐患者明细——这是复现纵向分析时必须自己核对的地方。

4.1 现场与人员

数据在俄罗斯联邦医学生物署（FMBA）大脑研究联邦中心（Federal Center of Brain Research and Neurotechnologies）的住院康复环境内采集。这一选择决定了数据的"自然度"：患者不是被请进实验室做一次性实验，而是在本来就要接受的康复训练时段内完成任务。论文未详细描述治疗师在场情况、训练日程与任务时长的关系（是嵌入康复课程还是额外加做），这是方法学复现时的一个空白。

4.2 硬件清单与角色分工

设备	型号	角色	关键参数
EEG 放大器	NVX-52（MCS，泽列诺格勒）	采集 8 导 EEG + 2 EMG + 1 ECG	500 Hz，8 被动 Ag/AgCl 电极
fNIRS 主机	NIRSport 16×16 / NIRSport 8×8（NIRx，柏林）	采集 70 通道光密度	24 源（760/850 nm，5 mW）、24 探测器（Si 光电二极管），13.56 Hz
同步控制器	自研 Arduino 方案	发出 TTL 触发脉冲	与视觉刺激呈现同源
刺激呈现与按键盒	自研（LED + 按钮 + 定制手盒）	任务呈现与行为记录	200 ms 闪光，9–11 s 间隔
参照/辅助	阻抗计、导电膏、光极固定帽	现场质控	阻抗 <10 kΩ

两台主设备的厂商路径完全不同（俄制 EEG 放大器 + 德国 fNIRS 系统），中间必须靠第三方控制器桥接——这正是自研 Arduino 方案存在的原因。论文描述得很直白：“At each visual stimulus onset, the controller simultaneously transmitted trigger pulses to the TTL synchronization inputs of both the EEG amplifier and fNIRS device.”

4.3 硬件同步为什么优于软件对齐

软件对齐（如事后用交叉相关估计时滞）的三类误差：

1. 累积时钟漂移：两台设备各有独立晶振，运行数十分钟后可能相差数十毫秒到数百毫秒。
2. 事件记录遗漏：靠人工按键或软件打点，漏一个事件就毁掉整个分段。
3. 对齐依据不明：EEG 与 fNIRS 信号本身形态迥异，交叉相关没有可靠的"同一事件"参照物。

硬件 TTL 同步把这三个问题一次性消掉：同一个物理脉冲同时写入两个设备的同一时间点，零点在物理层一致，不存在漂移与估计误差。对 fNIRS 尤其重要——它的采样间隔 74 ms，若靠软件对齐，单是 ±1 个采样点的误差就可能让 HbO 时程的上升沿位置偏掉。

4.4 任务设计的三处精巧

第一处：按压方式是腕指伸展，不是握拳。 偏瘫患者最常见的运动模式是屈肌协同（手指蜷曲、手腕内翻），而康复训练的核心目标恰是伸肌的再激活。让患者做伸展按键，测的是他们最需要恢复、也最容易失败的那块功能——这让 ERD 与行为表现之间的关联更有临床意义。同时也巧妙避开了握拳动作中 EMG 串扰对 EEG 的污染（尽管 EMG 仍会被记录，用于核验动作幅度）。

第二处：非目标试次是对侧的"同感官、零运动"对照。 左右两个 LED 都会闪，但只有目标手一侧的闪光需要应答。于是非目标试次提供了一个理想的对照条件：视觉输入相同（同样是 LED 闪），注意方向相同（都要看），唯独缺了运动输出。ERD 分析正是拿"目标试次"减"非目标试次"的基线功率（§7.3）——这比用"静息期"作基线要干净得多，因为它扣除了视觉诱发成分。

第三处：9–11 s 的间隔是按 fNIRS 的血流动力学时间常数设计的。 血流响应从起效到回到基线需要 10 s 以上，间隔若只有 2–3 s（常见于纯 EEG 的快速事件设计），相邻试次的 HbO 响应会严重叠加，根本无法做单试次分段。9–11 s 意味着每个试次都能拿到一个完整的、不受前一次污染的血流响应窗（论文分段取 [−0.1, 11] s 正好覆盖）。这个间隔本身就是为了 fNIRS 而设计的——它对 EEG 来说是"浪费"，对 fNIRS 来说是"必要"。

代价也要说清楚：12 试次 × 10 s ≈ 2 分钟一个 run，6 run 约 12 分钟，加上准备时间与偏瘫患者的疲劳，单次 session 的任务负担不小。这可能是部分患者会话不完整的原因之一。

4.5 数据托管、匿名化与伦理

• 匿名化方式：论文只写"Patient data were anonymized and depersonalized according to applicable regulations"，未说明具体去标识字段、是否去除面部影像、ID 重映射方式。文件名的患者编号（如 _02_）应为重映射后的研究编号。
• 伦理审批：Skoltech 地方伦理委员会，protocol №10，2023-05-18；遵循赫尔辛基宣言；全部受试者书面知情同意。
• 注册：ClinicalTrials.gov NCT06806397。注册号的存在意味着可以核查入排标准与招募时间窗——这也是对"数据是否真实"的一道旁证。

§5 数据结构与使用骨架

5.1 三个格式的分工

Figshare 条目 28904942
├── fNIRS/                     ← .fif + .snirf + .txt（事件表）
├── EEG/                       ← .fif + .edf
├── demographics / clinical    ← 人口学与 ARAT/FMA 评分
└── *.py                       ← 加载、预处理、分段与绘图脚本

选择哪个格式取决于你的分析栈：

• 纯 EEG 分析：.edf 最通用（EEGLAB/FieldTrip/MNE 都能读），但 EDF 对通道标注的保留程度依导出设置而定，建议同时保留 .fif。
• fNIRS 分析：.snirf 是社区标准，MNE-NIRS、Homer3、NIRS-Kit 均可读；事件表单独存在 .txt 里，需要用时间戳对齐。
• 联合分析：.fif 是唯一"两个模态都在同一个文件体系里"的路径，MNE 的 Raw 对象可以同时装 EEG 与 NIRS 通道，便于统一分段。

5.2 加载骨架（MNE-Python）

import mne

# fNIRS：SNIRF 读入，事件来自配套 txt
raw_nirs = mne.io.read_raw_snirf("R_02_session2_right1.snirf", preload=True)
events = mne.read_events("R_02_session2_right1_events.txt")

# 强度→光密度
od = mne.preprocessing.nirs.optical_density(raw_nirs)

# 带通 0.05–0.7 Hz，按 [−0.1, 11] s 分段
od_f = od.copy().filter(0.05, 0.7, fir_design="firwin")
epochs_nirs = mne.Epochs(od_f, events, tmin=-0.1, tmax=11.0, baseline=None)

# Beer-Lambert（partial pathlength factor = 4，双波长）
# 注：论文只声明 PPF=4，未给出各波长的差分路径因子取值

# EEG：FIF 读入，带通 0.5–40 Hz，按 [−0.2, 2] s 分段
raw_eeg = mne.io.read_raw_fif("R_02_session2_right1_raw.fif", preload=True)
raw_eeg.filter(0.5, 40.0)
epochs_eeg = mne.Epochs(raw_eeg, events, tmin=-0.2, tmax=2.0,
                        baseline=(-0.2, -0.1), preload=True)

上面两段是骨架而非论文原脚本：论文随数据提供 Python 脚本，但具体函数调用与参数顺序以官方脚本为准。这里列出的是论文文本中明确给出的参数（滤波带、分段窗、基线窗、PPF），可作为核对官方脚本是否一致的自检点。

5.3 事件对齐的两条纪律

1. 先确认事件码映射：flash_l / flash_r 按刺激侧命名，目标手由文件名决定。在右手目标的文件里，flash_l = 非目标。这个映射必须在加载时显式写进代码注释，否则半年后自己都看不懂。
2. SNIRF 的事件表与 FIF 的事件可能不完全一致：论文同时提供两种格式，理论上事件内容相同，但实际读取时事件数量、时间基准（是否含设备启动延迟）需要逐一比对。建议以 FIF 内嵌事件为主、SNIRF txt 为交叉校验。

5.4 一次会话的最小可复现流程

步骤	操作	参数来源
1	读入 .snirf 与事件表	文件本身
2	强度 → 光密度	论文：mne.preprocessing.nirs.optical_density
3	带通滤波	论文：0.05–0.7 Hz
4	分段	论文：[−0.1, 11] s
5	光密度 → HbO/HbR	论文：Beer-Lambert，PPF=4
6	通道分组（左/右感觉运动区）	需读文件头坐标（论文未列表）
7	组平均并画时程	论文图 3 下栏
8	EEG 侧：0.5–40 Hz 带通、[−0.2, 2] s 分段	论文
9	Morlet 小波（1–30 Hz，0.4 Hz 步长，FWHM 270 ms）	论文
10	ERD/S = log10(P_mov / P_base)	论文：基线取非目标试次 1–4 s 中位功率

5.5 数据字典（按论文文本可确定的部分）

字段/对象	类型	取值/单位	语义
文件名患侧	字符	R / L	患侧（R=右手偏瘫，L=左手偏瘫）
文件名患者号	整数	01–16	重映射后的研究编号
session 号	整数	1–6	1=康复首日，6=出院前末次
run 名	字符串	left<n> / right<n>	该 run 的目标手与序号
EEG 通道	浮点	μV 或 V（论文写"recorded in volts"）	8 导头皮电位
EMG 通道	浮点	同放大器量纲	双侧指伸肌表面肌电
ECG 通道	浮点	同放大器量纲	双腕 Einthoven I
fNIRS 值	浮点	光密度（OD）	760/850 nm 两波长
事件码	字符串	flash_l / flash_r	视觉刺激侧
采样率	整数	EEG 500 Hz / fNIRS 13.56 Hz	—

注意最后一行的量纲陷阱：论文写 EEG"recorded in volts"，而临床 EEG 通常以 μV 呈现。读数时先查 raw.info['units'] 再换算，否则 ERD 的对数比虽不受影响，但 MRCP 的幅值会差三个数量级（坑 4）。

§5.6 常见读取故障与排查表

症状	可能原因	排查顺序
read_raw_snirf 报缺 nirs 通道	文件导出版本与 MNE 版本不匹配	升级 MNE；或改读 .fif
EEG 全是 0 或恒定值	读错通道类型/参考设置	打印 raw.ch_names 与 raw.get_data().std(axis=1)
事件数为 0	事件不在 FIF 内嵌、而在单独 txt	改读 txt 并手动构造 events 数组
事件数远多于 12×run 数	混入了设备自触发或按钮事件	统计事件码分布，只保留 flash_l/flash_r
HbO 全是负值	符号约定或波长顺序反了	核对两波长顺序与 Beer-Lambert 实现
分段后波形在基线区有斜坡	带通滤波的边界效应	加长 padding 或改用 FIR 零相位滤波
ERP 幅值到 10^4 量级	单位是 V 而非 μV	见坑 4
某患者某 session 缺失	该 recording 被剔除（30 个之一）	对照附录 E 的覆盖率表

这张表的意义在于：本数据集的格式三套并存（FIF/SNIRF/EDF），每套都有自己的坑，而上游没有给"官方故障排查文档"。提前列出来，能让第一次上手的人少走几小时弯路。

§5.7 一次"最小可发表分析"的完整参数清单

若要基于本数据集写方法学论文，以下参数需要全部报告，缺一项审稿人就会追问。这里整理成可复制的清单：

分析环节	必报参数	本数据集的默认/论文值
数据筛选	纳入患者数、纳入 session 数、剔除试次比例	16 例 / ≤84 次 / 论文未报
fNIRS 预处理	带通范围、分段窗、基线窗、PPF	0.05–0.7 Hz / [−0.1,11] s / 未报 / 4
fNIRS 通道分组	左右簇定义方式与通道数	论文未给逐通道表
EEG 预处理	带通、陷波、ICA 与否	0.5–40 Hz / 未报 / 未做
EEG 分段	窗长、基线	[−0.2,2] s / [−0.2,−0.1] s
时频方法	小波类型、频带、步长、FWHM	Morlet / 1–30 Hz / 0.4 Hz / 270 ms
ERD 定义	公式、基线条件、剔除窗	log10(P_mov/P_base) / 非目标 1–4 s / 首秒
统计模型	随机效应结构、协变量	论文未做组水平统计
纵向设计	session 编码方式	论文未给日期

注意最后两行的空缺：论文本身没有做组水平统计推断——它只做了单例描述性验证。这意味着你若要做组水平分析，就是本数据集的第一批使用者，没有先例可循，参数选择必须自己论证并写进方法学。

§6 获取与许可：门在哪、怎么进

6.1 获取路径

资产	入口	许可	门槛
数据集本体	Figshare https://doi.org/10.6084/m9.figshare.28904942	论文未声明（以仓库页面为准）	公开，无需申请
论文全文	https://doi.org/10.1038/s41597-026-06803-5	CC BY-NC-ND 4.0	开放获取
临床注册	ClinicalTrials.gov NCT06806397	—	公开
新闻稿	Skoltech 2026-03-03（经 medicalxpress / scoop 转载）	版权归发布方	公开

6.2 许可的两层要分清

这是本条目最容易出错的地方：

1. 论文的许可 ≠ 数据的许可。论文页脚写的是 Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International（CC BY-NC-ND 4.0），这是"你可以转载这篇文章，但不能商用、不能改写"；它不自动延伸到数据文件。
2. 数据许可需要回 Figshare 条目页核实。论文的 Data availability 只写"available at Figshare"，未声明 CC 协议类型。Figshare 上作者通常可选 CC BY 4.0、CC BY-NC 4.0 或"无许可"（默认保留所有权利，但可下载）。本条目按实核原则把数据许可记为"论文未声明"，使用前必须到仓库页面确认（坑 7）。

实践建议：若你的用途是学术研究与发表，两者都无障碍；若涉及商业产品化（如把数据用于训练商用 BCI 模型），先确认 Figshare 条目的具体许可，不要以论文的 CC BY-NC-ND 推而广之——那条许可本身也禁止商用，双重保守是错的，正确的做法是查数据本身的条款。

6.3 可获取性的"直链档"定位

在库内条目构成的获取光谱上，本条落在最开放的一档：

档位	库内参照	本条目
请求制（upon request）	部分老条目	—
注册墙	部分临床影像条目	—
平台托管（Zenodo/Figshare/OpenNeuro）	mental-fnirs(1021) 等	✅ Figshare 直链
公开直链 + 多格式 + 代码	少数高质量条目	✅ FIF/SNIRF/EDF + Python 脚本

这使它成为一个"拿来即用"的数据集：不需要邮件、不需要审批、不需要签署数据使用协议。对一个只有 16 例的专科数据集而言，这种开放性直接决定了它能否被广泛复用——而"能否被复用"正是 AI-Ready 的核心判据。

§7 技术验证：论文给出的两组示例分析

7.1 fNIRS：患者 03 的双侧血流动力学响应

论文选了 03 号患者（左半球卒中、右侧偏瘫）作为示例，取该患者全部 session 的中位数做地形图与组平均。

参数	值
滤波	带通 0.05–0.7 Hz
分段	[−0.1, 11] s
浓度换算	Beer-Lambert，partial pathlength factor = 4
通道分组	左右感觉运动区两个簇，分别平均
统计	95% 置信区间（阴影带）

结果：患手（右手）运动时，HbO 在同侧（左侧，即病灶侧）半球先出现响应，随后对侧（右侧，健侧）半球才出现响应。论文将此解释为"contralesional sensorimotor networks 的代偿性募集"。

这个发现值得多读一遍：它不是"患侧坏了所以对侧顶上"这么简单。注意论文的用词——ipsilesional 先、contralesional 后。也就是说，病灶侧半球仍然能发出血流响应（说明耦合没有完全断裂），只是必须在健侧半球"补位"之前先动。这个时间顺序（先 ipsi、后 contra）与健康人的双侧模式不同，恰好是纵向康复研究想要追踪的轨迹。

7.2 EEG：同一患者的 ERD 与 MRCP

分析	参数
带通	0.5–40 Hz
分段	[−0.2, 2] s
时频方法	Morlet 小波，1–30 Hz，步长 0.4 Hz，FWHM 270 ms
ERD 频带	alpha 7–11 Hz，beta 15–25 Hz
基线	非目标试次刺激后 1–4 s 的中位功率；剔除首秒以避诱发电位
MRCP 滤波	1–20 Hz，基线 −0.2 至 −0.1 s

结果 1（ERD/S）：患手运动时，alpha 与 beta 的 ERD 主要在 FCC4（右侧，健侧半球） 出现。这与"健康人同侧手运动主要引起对侧半球 ERD"的经典模式相反——在偏瘫患者身上，健侧半球的去同步反而更强。

结果 2（MRCP）：运动相关皮层电位显示患侧（左，即 FCC3）更活跃。刺激后约 0.5 s 出现负峰，对应偏侧化准备电位（lateralized readiness potential, LRP），随后是正相偏转（reafferent potential, RAP）。两者的幅值在 FCC3 上都更大。

把两组合在一起读，会看到一个非常有意思的"分工"：

观测	更强的一侧	解读（论文口径）
HbO 血流响应（先起）	左侧（患侧）	病灶侧仍有活动，先动
HbO 血流响应（后起）	右侧（健侧）	代偿性募集
alpha/beta ERD	右侧（FCC4，健侧）	健侧节律去同步更强
MRCP（LRP/RAP）	左侧（FCC3，患侧）	患侧慢电位幅值更大

电生理与血流动力学指向不完全相同的半球——这正是 §3.2 所说"耦合本身值得研究的"的具体体现。如果只有 EEG，你会说"主要是健侧在去同步"；如果只有 fNIRS，你会说"主要是患侧先响应"。两者合起来，才能看到这个跨半球的时序接力。

7.3 ERD/S 公式的两个易错点

$$\mathrm{ERD/S} = \log_{10}!\left(\frac{P_{\text{movement}}}{P_{\text{baseline}}}\right)$$

• 负值 = 去同步（ERD），正值 = 同步（ERS）。这是论文明确写的约定（“Negative values indicate desynchronization”）。别把符号弄反。
• 基线不是静息期，而是非目标试次。具体取"刺激后 1–4 s 的中位功率"，且"剔除首秒"以避免视觉诱发电位污染。这个设计比"刺激前静息段"更抗漂移，因为它与被比较的试次处于同一时间窗内、同一警觉水平。

7.4 验证的边界：论文证明了什么、没证明什么

论文的技术验证（Technical Validation）只做了单例（患者 03）的示范：证明"数据可以用来做 HbO 时程、ERD 地形、MRCP 波形"，而不是"全体 16 例都呈现同样的模式"。这是 Data Descriptor 体裁的常规做法——验证的是数据的可用性，不是科学结论的普遍性。

因此引用时要避免两个越界：

1. 不能说"该数据集证明卒中患者健侧半球代偿"——那是单例观察，需要后续研究在全体样本上验证。
2. 不能说"该数据集显示 fNIRS 在卒中 BCI 中优于 EEG"——论文没有做任何模态比较实验。

7.6 fNIRS 预处理的标准选项表（论文未展开部分）

论文只声明"强度→光密度"一步，其余预处理需使用者自行补齐。下表列出 fNIRS 社区的标准选项，并标注哪些在本数据集上应特别注意：

环节	常见选项	关注理由	本条注意
运动伪迹校正	TDDR、短通道回归、PCA、小波	偏瘫患者头部与下颌运动多	每次重戴、跨会话比较时尤为关键
短通道（S-D <1 cm）	若有则用于回归头皮血流	消除系统性生理噪声	论文未说明是否布设短通道，需读文件头
系统性生理噪声	带通 0.01–0.2 Hz 或 GLM 加心率/血压回归	卒中患者血流动力学波动大	论文用 0.05–0.7 Hz 带通，属宽窗
全局成分去除	全局平均信号回归（gmean）	去除全头共同漂移	需注意左右半球对比时不要过度归零
基线	刺激前 2–5 s 或条件基线	跨会话幅度可比性	论文窗仅 [−0.1,0] s，偏短
HRF 建模	GLM + 标准 HRF，或平均波形	组水平统计用 GLM，单例展示用平均	论文用平均波形画图
通道质量	SCI（scalp coupling index）或 CV	光极贴合度	重戴导致 CV 跨会话漂移

这张表的意义：论文的"预处理"只做了一步，而这个数据集的真实价值（纵向）恰恰最依赖后面这些步骤是否严谨。如果你只是照抄论文的一步（强度→光密度），跨会话分析几乎必然被伪迹与基线差异淹没。这也是为什么本条目在 §8 与附录 F 反复强调"预处理流水线要自建并报告"。

§7.5 从验证图能读出什么：三种"数据健康"信号

技术验证图除了展示结果，还承担着"数据健康证明"的功能。用读者视角看，可以读出三条：

健康信号	在图里怎么看	说明什么
事件锁时干净	分段后组平均的基线区间应当平坦（HbO 在 −0.1–0 s 无明显斜率；EEG 在 −0.2–0 s 无大偏移）	TTL 同步有效，事件时间戳没有系统性错位
信噪比可接受	HbO 组平均的 95% CI 阴影带宽窄于效应幅度	单试次噪声虽大，平均后信号浮现；样本内试次数足够
通道分组合理	左右两簇的响应时程形态不同但都符合 HRF 形状	空间分组不是随机划分，源-探几何有效

若你拿到数据后先跑一遍上述自检（任选一个患者的一个 session），就能在 30 分钟内判断"这份数据能不能直接用"，而不必先复现论文全流程。这也是本条目推荐的第一动作——先做一个 session 的端到端流水线，再谈全量分析。

§8 局限、适用边界与误用风险

8.1 论文自陈的三条局限

论文 Limitations 节只有三句，但每条都切中要害：

1. EEG 通道少（limited number of EEG channels）：8 导决定了只能做区域级对比，不能做源定位，也不宜做全脑连接网络。
2. 部分患者会话不完整（incomplete session coverage for some participants）：纵向分析必须按患者逐一检查 session 覆盖，不能默认"每人 6 次"。
3. 样本量小（limited sample size）：16 例，且全部 mRS=3、全部右利手。

作者同时给出辩护：重复增加了数据的可靠性，并支持康复动态分析。这个辩护成立，但有边界（§8.3）。

8.2 论文未自陈、但使用者必须知道的五条

风险点	具体表现	应对
会话间隔不均等	论文未给逐例会话日期，session 之间可能相隔数天到数周	纵向建模用 session 序号 / 或向作者索取日期；不要假设等间隔
30 个 recording 被剔除	主要来自前 3 名患者，剔除标准是"伪迹多/触发错"	前 3 号患者的样本可能系统性偏少，做患者级分析时报告有效 session 数
卒中侧别分布不明	正文未汇总左/右半球患者数	从文件名前缀 R/L 统计后自行报告
系统性生理噪声未处理	论文未描述短通道回归、心率/血压回归等 fNIRS 标准去噪步骤	自行补做；作者预处理的"原样交付"意味着质量控制在用户手上
原始 EEG 完全未处理	论文原文：“The raw EEG signal was not preprocessed in any way”	眼动、肌电、电极漂移全部保留；预处理流水线要自建并说明

第五条特别值得强调。很多数据集会附带"已清洗"版本，本数据集则明确交付未经任何 EEG 预处理的原始电压。这是好事（保留全部信息、避免作者的预处理选择变成隐性偏倚），也是负担（你得自己处理 84 次会话级别的伪迹，且偏瘫患者的面部/颈部肌电伪迹比健康人更多）。

8.3 纵向重复的统计边界

n=16 例 / 84 会话的结构，最常见的误用是把会话当独立样本做组间检验。后果是标准误被严重低估——同一个患者 6 次会话之间高度相关，有效样本量远小于 84。正确做法包括：

• 混合效应模型：患者为随机截距（必要时加 session 为随机斜率），固定效应放患侧/时间/条件。
• 患者级汇总后再检验：先在每位患者内部求平均，得到 16 个观测再做组水平推断。
• 重复测量方差分析：session 作为 within-subject 因子，需处理缺失会话。

反过来，也不要走到另一个极端——认为"只有 16 例所以什么都不能做"。16 例在卒中神经影像文献里属于中等规模，配合 84 次重复与同质化的入组标准，足以支撑效应量较大的纵向现象（如康复前后 ERD 幅度的变化）的初步检验。

8.4 适用场景清单

适合：

• 卒中康复的纵向电生理/血流动力学轨迹研究（学习效应、代偿模式、恢复预测）。
• EEG-fNIRS 融合算法开发（特征拼接、时滞建模、联合源估计的方法验证）。
• 卒中 BCI 的特征工程与可行性评估（患手 vs 健手分类、运动意图检测）。
• 神经血管耦合的方法学研究（在病理人群里验证耦合度量）。
• 教学与基准：作为"真实临床噪声"的对照集，测试预处理流水线在低信噪比下的鲁棒性。

不适合：

• 需要高密度 EEG（≥32 导）的源定位、微状态分析、全脑网络研究。
• 需要大口径 fNIRS 全头覆盖（如前额叶认知任务）。
• 需要健康对照组的病例-对照设计（本数据集无健康对照组，需自行匹配）。
• 需要长病程慢性期（>1 年）患者的康复轨迹研究（本数据慢性组仅 3 例且 <1 年）。
• 需要重力/负荷条件下的运动任务（本任务是等长按键，不是抓握或举起）。

8.5 三类误用场景的"事后诊断"

误用往往在投稿被拒或被复现失败时才暴露。这里给出三类高频误用的诊断特征，便于自查：

误用一：把横断面结论说成纵向结论。
诊断：你的图里 session 轴是装饰性的（把所有 session 合并后只画了一张图），但讨论部分却写了"随康复进展……"。修正：要么做出按 session 分层的图，要么把"纵向"从结论中删掉。

误用二：把单例示范当作群体证据。
诊断：你的引用链最终指向论文 Figure 3/4（患者 03），但正文写"卒中患者表现为……“。修正：改成"在示例患者中观察到……，该模式在群体上的普遍性有待验证”。

误用三：把 fNIRS 的"无响应"解读为"无激活"。
诊断：你报告某通道 HbO 无显著变化，结论写"该区域未被激活"。修正：讨论神经血管解耦的可能性，并用 EEG 侧（若该区有电极）做交叉验证。这正是本数据集存在的意义——如果你只用了 fNIRS 一半的数据，就浪费了它最核心的设计。

8.6 一份自查清单（投稿前 8 问）

1. 我报告的 n 是患者数还是 session 数？统计模型与之匹配吗？
2. 我的 session 覆盖是否完整？缺失的 session 如何处理、是否报告？
3. 我的 EEG 量纲确认过吗？
4. 我的 flash_l/flash_r 映射是按文件逐一核对的，还是想当然？
5. 我的 fNIRS 左右通道分组依据是文件头坐标还是序号硬切？
6. 我的结论是"患者 03 的模式"还是"全体患者的模式"？措辞对得上吗？
7. 我引用"首个"时注明来源是新闻稿了吗？
8. 我的用途是否触及 Figshare 许可的空白区？查过条目页了吗？

八问全部能答"是"，这份数据的用法基本就站得住了。

§9 与库内 EEG 条目的关系：同模态、不同临床世界

9.1 家族图谱

库内 EEG 类条目已有 7 条，加上 2 条邻近条目（fNIRS 与卒中量表），构成一张"临床场景 × 采集范式"的地图：

条目	rid	临床场景	模态	时间结构	与本条的关键差异
tuh-eeg-corpus	71	癫痫（含多中心异质队列）	EEG	片段级，非纵向	病理类型完全不同；无 fNIRS；无运动任务
chb-mit-scalp-eeg	72	儿科癫痫发作检测	EEG	连续长程（小时级）	目标是发作检测，不是康复；儿科
bonn-eeg	322	癫痫发作/间期 5 类分类	EEG	单次短片段	样本量极小、无纵向、无任务
eegmmidb	342	健康人运动/想象运动	EEG	每被试 1–2 次	最接近的运动范式，但对象是健康人、无 fNIRS、无临床量表
hbn-eeg	362	儿童青少年发育队列	EEG	横断面大队列	儿科、静息/任务混合、无卒中
siena-scalp-eeg	1070	癫痫发作检测（Scala/EEE）	EEG	连续长程	癫痫；无 fNIRS；无康复
helsinki-neonatal-eeg	880	新生儿 EEG	EEG	连续	新生儿；完全不同的发育阶段
mental-fnirs	1021	认知/心理任务	fNIRS 单模态	—	有 fNIRS 无 EEG；非卒中；非运动康复
stroke-scale-mimic-iii	596	卒中严重度量表（EHR）	结构化量表	住院记录	无神经信号；只有临床评分
stroke-eeg-fnirs（本条，库内暂无 rid）	—	卒中后运动康复	EEG + fNIRS 同步	纵向（每例最多 6 次）	—

9.2 四条区分线

第一线：病理 vs 生理。 71/72/322/1070 全是癫痫——记录的是异常放电的检测与分类。本条是卒中——记录的是正常功能的丧失与重建。两者在信号特征、标注方式、评价指标上毫无交集：癫痫数据集的标签是"发作/非发作"，本数据集的"标签"是临床量表分数与任务条件。

第二线：单次 vs 纵向。 库内绝大多数 EEG 条目是横断面（每人一份记录）或连续长程（每人数小时但只有一次）。本条的独特性在于同一患者跨越多周、每次重新摆位，这带来了"个体内变异"这一其他条目无法研究的维度（§3.6）。

第三线：单模态 vs 同步双模态。 mental-fnirs(1021) 是库内唯一另一条 fNIRS 条目，但它是单模态、认知任务。本条是库内唯一同时含 EEG 与 fNIRS 且硬件同步的条目——这一点即便放到全库范围也是稀缺的。

第四线：健康人 vs 患者。 eegmmidb(342) 的运动想象范式与本条最接近（都是运动相关 EEG、都关注 ERD），但对象是健康志愿者、每次记录独立、无临床结局。把 eegmmidb 当作"健康对照"的想法技术上可行但需谨慎：导联系统（64 导 vs 8 导）、任务（想象 vs 执行）、设备都不同，直接合并会引入系统性偏差。

9.3 建议的互链方式

• 方法互链：与 eegmmidb(342) 互链，用"健康人运动 ERD 基线 ↔ 卒中患者运动 ERD"的对照叙事。
• 模态互链：与 mental-fnirs(1021) 互链，构成"fNIRS 单模态（认知）↔ fNIRS+EEG（运动康复）"的模态演进线。
• 临床互链：与 stroke-scale-mimic-iii(596) 互链，构成"卒中临床量表（纯结构化）↔ 卒中神经信号 + 量表"，提示可做"量表预测"的下游任务。
• 对照互链：与癫痫类条目（71/72/322/1070）互链，但要在叙事上明确"不同疾病、不同任务"，避免被检索算法误当作同类。

9.4 三条区分线的"检索判据"

在实际检索中，最省时的做法不是读全文，而是看三个字段就能区分：

判据	本条的值	对照
标题里有没有 fNIRS	有	71/72/322/342/362/880/1070 全部没有
对象是不是患者	是（卒中）	342/362 是健康人/发育队列
是否纵向	是（≤6 次/人）	除 1021 外库内 EEG 条目均非纵向

三问之后仍未排除，再看任务范式（SRT 键压 vs 发作检测 vs 运动想象）即可定论。这也是 AI-Ready 条目应当提供的最低检索价值：让人在 30 秒内判断"是不是我要的"。

9.5 家族外的"近邻"：库内非 EEG 的康复类条目

库内还有康复方向的非神经信号条目（如动作捕捉、可穿戴运动学类），它们与本条构成"行为层 vs 神经层"的互补：

层次	测什么	库内代表	与本条关系
行为/运动学	关节角度、步态、手部轨迹	康复运动捕捉类条目	可提供"输出侧"指标
神经电生理 + 血流	皮层活动	本条	提供"输入侧"机制
临床量表	ARAT/FMA 等	本条自带 + 卒中量表类条目(596)	提供"结果侧"评分

三层拼起来才是完整的"康复闭环"：神经层解释为什么恢复、行为层测量恢复了多少、量表层记录临床上能不能用。本条恰好同时带神经层与量表层，缺的只是行为层的高速运动学——若要做闭环研究，与库内运动学条目联合检索是自然的下一步。

§10 避坑清单：十一个已踩过的坑

以下每一条都是检索或使用本数据集时真实会遇到的歧义，附有判别方法。编号固定，便于交叉引用。

坑 1：在 PhysioNet/OpenNeuro 里找不到它。
本数据集在 Figshare（DOI 前缀 10.6084/m9.figshare），不在 PhysioNet、OpenNeuro、Zenodo。检索时用 figshare + fNIRS + stroke，或用论文的 DOI 反查参考文献 [16]。用 “PhysioNet stroke EEG” 搜只会命中无关条目。

坑 2：把"全球首个"当成论文结论。
“first in the world to combine long-term EEG and fNIRS” 出自 Skoltech 新闻稿（2026-03-03），论文正文只说 “longitudinal datasets combining fNIRS and EEG in stroke populations remain limited”。引用时写"据 Skoltech 发布稿称"，不要写"论文声称"。

坑 3：把文件名里的 right 当成患侧。
命名是 <患侧>_<患者号>_session<N>_<目标手><run 号>。R_02_session2_right1 里第一个 R 是患侧（右手偏瘫），最后的 right1 是目标手。当两者相同时最容易被误读为冗余；遇到 R_02_session2_left1（右手偏瘫的患者做左手任务）就会暴露理解错误。判别法：目标手会在同一 session 内交替出现 left/right。

坑 4：EEG 量纲差三个数量级。
论文写 “EEG files contain raw EEG signals … all recorded in volts”，而临床 EEG 描述习惯用 μV。若你的预处理流程默认 μV（如设置阈值 100 μV 剔除伪迹），直接用 V 数据会让所有试次都被判为"干净"（因为 100 μV = 1e-4 V，而原始值在 1e-5 量级）。加载后先打印 raw.get_data().max() 确认量级。

坑 5：把 session 序号当等间隔时间。
session 1 = 康复首日、session 6 = 出院前末次，中间间隔取决于住院时长与训练安排，论文未给日期表。若用 session 序号做线性时间回归，斜率会被间隔不均等污染。判别法：把 session 序号当序数变量（分类因子）先行检验，确认趋势单调后再考虑线性化。

坑 6：用 n=84 做独立样本统计。
84 次会话来自 16 人，不是 84 个独立个体。用会话级样本做 t 检验会低估标准误、夸大显著性。判别法：看你的代码里 groupby('subject') 有没有出现；没有就是有问题的。

坑 7：用论文的 CC BY-NC-ND 推断数据许可。
论文许可与数据许可是两件事。论文是 CC BY-NC-ND 4.0（禁商用、禁演绎），数据在 Figshare 的许可论文未声明。商用前必须去 Figshare 条目页查证；同时注意 CC BY-NC-ND 本身也禁止商用，不能用"论文可转载"来论证"数据可商用"。

坑 8：以为 fNIRS 通道的左右分组能从论文表格抄。
论文只给"左右感觉运动区两个通道簇"的概念，未给逐通道的源-探坐标与分组表。分组必须从文件头坐标自行重建（按 x 坐标符号或解剖配准）。若直接按"前 35 通道=左、后 35=右"的想当然做法，结果会完全错。

坑 9：以为"健手"就是健康对照。
健手是同一患者身上"未被病灶直接累及"的手，但它仍然属于一个经历过双侧半球广泛重塑的卒中大脑。健手的行为与脑活动可以出现"代偿性过度使用"；把它当作健康对照，会系统性高估患手的缺损程度。正确做法是把它当作患者内对照，而不是健康对照。

坑 10：忽略同一 session 内 run 顺序的系统效应。
虽然目标手在每个 run 前指定且随机，但 fatigue 与注意力随时间衰减是真实存在的：第 1 个 run 与第 6 个 run 的信号质量可能有系统差异。若你把 run 序号当作忽略变量，session 内的时间趋势会混入条件效应。在混合模型里把 run 序号作为协变量即可廉价地解决。

坑 11：拿论文的分段窗去做跨被试比较却不做基线校正。
fNIRS 的 HbO 是相对变化量，如果不同 session 的初始基线水平不同（例如患者当天的血流状态），直接比较绝对幅度会失真。论文的分段窗是 [−0.1, 11] s；做跨 session 比较时，建议额外取刺激前更长窗口（如 −5 至 0 s）做条件特定的基线归一化，并在方法里写明。

10.x 坑点速查表

编号	一句话	一句话解法
坑 1	不在 PhysioNet/OpenNeuro	用 Figshare DOI 直取
坑 2	"首个"来自新闻稿	标来源
坑 3	right 是目标手，不是患侧	按段解析文件名
坑 4	EEG 是 V 不是 μV	先打印量级
坑 5	session 不等间隔	当序数变量
坑 6	84 不是 84 个独立人	混合模型/患者级汇总
坑 7	论文许可 ≠ 数据许可	查 Figshare 条目页
坑 8	通道左右分组没有现成表	从文件头坐标重建
坑 9	健手 ≠ 健康对照	当患者内对照
坑 10	run 顺序有疲劳效应	作协变量
坑 11	跨 session 比幅度需重设基线	条件特定基线归一化

§11 总结

11.1 三句话总结

1. 它是库内唯一"卒中康复 + EEG/fNIRS 同步 + 纵向重复"的数据集：16 名偏瘫患者、84 次会话、8 导 EEG 与 70 通道 fNIRS，硬件级同步，Figshare 直链公开。
2. 它的科学价值来自"时间尺度互补"而非"模态堆叠"：EEG 看 ms 级电活动，fNIRS 看秒级血流响应，两者在卒中场景下互为判据——单一模态无法区分"电活动消失"与"神经血管解耦"。
3. 它的纵向设计把"学习效应"“电极漂移”"真实恢复"三种变异分开，但也带来统计上的强相关结构，必须用患者级的混合模型或汇总分析，不能把 84 当 84 个独立样本。

11.2 适合谁

• 卒中康复神经影像研究者：需要一个带临床量表、带双侧手任务的纵向公开数据。
• EEG-fNIRS 融合算法团队：需要一个硬件同步、事件干净、格式标准的联采验证集。
• 卒中 BCI 工程团队：需要评估"患手运动意图"在真实偏瘫信号中的可分性。
• 数据方法学研究者：需要一个"小 n、大重复、低通道、高噪声"的现实样本，用于检验纵向统计方法。

11.3 不适合谁

• 需要高密度 EEG 做源定位或脑网络拓扑的团队。
• 需要健康对照组做病例-对照比较的团队（需自行匹配，且设备不同）。
• 需要大批量预训练语料的团队（16 例、84 会话的体量不支持）。
• 想研究慢性期（>1 年）康复平台期的团队（本数据慢性组仅 3 例、<1 年）。

11.4 30 秒决策卡

你的问题	结论
我要做卒中康复的纵向 EEG 分析	✅ 直接用，注意 session 覆盖
我要做 EEG-fNIRS 融合	✅ 首选之一，硬件同步是硬优势
我要做高密度源定位	❌ 8 导不够
我要做 fNIRS 全头认知任务	❌ 覆盖仅感觉运动区
我要做癫痫检测	❌ 去 71/72/1070
我要做新生儿/儿童	❌ 去 880/362
我要做健康人运动想象	❌ 去 342
我要商用训练模型	⚠️ 先查 Figshare 许可，论文 CC BY-NC-ND 不可商用

11.5 一句话定位

这是卒中 BCI 领域的"双镜头纪录片"：左镜头（EEG）拍毫秒级的电闪雷鸣，右镜头（fNIRS）拍秒级的血流潮汐，而且同一批演员、连拍六集——之前没人这么拍过公开版。

FAQ（高频问答 30 问）

A. 基础认知

1. 这个数据集到底测了什么？
测人在做动作时大脑的两层响应：头皮上的电活动（EEG）和皮层血流中的血氧变化（fNIRS），两者在同一时刻开始记录。

2. 为什么偏瘫患者要做按键任务？
腕指伸展按压是最接近日常生活"伸手取物"的动作，且正好对应偏瘫患者最常丧失的伸肌功能，因此任务表现与临床功能直接相关。

3. 16 例算多还是少？
卒中神经影像领域属于中小规模（常见 10–40 例），但配合 84 次重复与严格入组标准，仍属可发表、可复用的体量。

4. "84 次康复训练"是 84 个人吗？
不是。是 16 个人累计做了 84 次记录，每人最多 6 次。

5. mRS=3 是什么意思？
改良 Rankin 量表（modified Rankin Scale）3 分 = 中度残疾，需要一些帮助但能独立行走。全部患者都是 3 分，说明样本排除了重度卧床与完全独立两个极端。

6. 为什么全部是右利手？
为了消除利手对大脑半球功能侧化的影响。左利手人群中约 30% 存在右半球语言优势，会引入额外变异。

B. 数据与技术

7. 8 导 EEG 能做什么分析？
能做：双侧半球 ERD 对比、局灶 MRCP 波形、少量通道间相干性、通道级特征分类。不能做：源定位、全头地形图、图论脑网络。

8. 为什么 fNIRS 有 70 个通道这么多？
24 个光源与 24 个探测器在头皮上交错排布，每个探测器与邻近若干光源构成源-探对；扣除故障探测器相关通道后剩 70 个。

9. 13.56 Hz 的采样率够吗？
对 fNIRS 够（血流信号主能量在 0.01–0.2 Hz），对 EEG 完全不够。所以两者必须同时采，不能互相替代。

10. 为什么任务间隔要 9–11 秒这么长？
因为血流动力学响应从上升到回落需要 10 秒以上。间隔太短，相邻试次的 HbO 会叠加，无法做单试次分段。

11. 三个格式（FIF/SNIRF/EDF）我该用哪个？
MNE 用户用 FIF（两模态同一体系）；Homer3/NIRS-Kit 用户用 SNIRF；EEGLAB/临床工具用户用 EDF。建议至少保留 FIF 一份原始备份。

12. 数据里有 ECG 和 EMG，是干什么用的？
ECG 用于剔除心搏伪迹；EMG（双侧指伸肌）用于核验患者是否真的做出了动作、动作幅度多大——在偏瘫患者身上"想动但没动"是常见现象。

13. 为什么论文说原始 EEG 完全没预处理？
作者选择交付未经任何滤波/去伪迹的原始电压，把预处理选择权留给使用者。好处是信息无损，代价是用户必须自建清洗流水线。

14. 数据量有多大？
论文未报告总数据量与文件数。可推算的只有通道数、采样率与会话数。

C. 科学与解读

15. "全球首个"这个说法可信吗？
它是 Skoltech 新闻稿的表述，论文本身用词更谨慎（“remain limited”）。作为宣传语可引，作为学术结论需谨慎。

16. 论文的技术验证是全体 16 例的结论吗？
不是。技术验证只用了患者 03 一例做示范，目的是证明数据"可用"，不是证明"卒中患者普遍如此"。

17. 为什么患者 03 的 ERD 出现在健侧（FCC4）而 MRCP 出现在患侧（FCC3）？
论文没有给出机制解释，只呈现现象。可解读为健侧半球的节律去同步参与代偿，而患侧半球的慢电位反映了仍在进行的运动准备/执行尝试。这是一个值得后续研究的问题，不是已定论。

18. HbO 先起于患侧、后起于健侧，说明什么？
说明病灶侧半球仍能产生血流响应（耦合未完全断裂），健侧半球随后"补位"。论文将其解读为对侧代偿性募集。

19. 可以用这份数据训练 BCI 分类器吗？
可以，属于典型用途（患手 vs 健手、运动 vs 静息）。但要注意跨 session 的电极漂移会让直接迁移失效，需做 session 内的交叉验证或域适应。

20. 为什么说"fNIRS 不是 EEG 的低配替代"？
因为两者测的物理量不同。fNIRS 测血氧（代谢供给），EEG 测电位（电活动）。前者慢、后者快；前者无法捕捉 300 ms 级事件，后者无法反映血氧。互补而非替代。

21. 卒中患者身上 fNIRS 会不会失真？
会。血管反应性受损会导致"神经血管解耦"，fNIRS 可能测不到应有的响应。这正是必须同时有 EEG 的原因——EEG 可以确认"电活动仍在"。

22. 量表分数能预测脑信号吗？
这是本数据集最自然的衍生任务之一（用 ARAT/FMA 预测 EEG/fNIRS 特征或反之）。但 n=16 的样本量限制了预测模型的复杂度，需要严格的正则化与交叉验证。

D. 获取与许可

23. 怎么下载？
访问 https://doi.org/10.6084/m9.figshare.28904942，公开无需申请。

24. 数据许可是什么？
论文未声明。论文本身是 CC BY-NC-ND 4.0，但这不自动适用于数据。商用前必须查 Figshare 条目页的具体许可字段。

25. 论文可以转载吗？
可以，在 CC BY-NC-ND 4.0 下署名、非商业、不演绎地转载。

26. 有官方代码吗？
有。论文称随数据提供 Python 脚本（导入、基础预处理、分段与绘图），与数据同处 Figshare 条目内。

E. 与其他数据集的区分

27. 它和 eegmmidb（342）有什么区别？
eegmmidb 是健康人做运动/想象运动的 64 导 EEG，每人 1–2 次；本条是卒中患者真实运动 + fNIRS 同步 + 每例最多 6 次。前者适合做范式基线，后者适合做临床纵向。

28. 它和 mental-fnirs（1021）有什么区别？
mental-fnirs 是 fNIRS 单模态的认知任务；本条是 fNIRS + EEG 双模态的运动康复。模态与场景都不同。

29. 它和 chb-mit（72）、tuh-eeg-corpus（71）有什么关系？
只有"都是 EEG"这一点相同。那些是癫痫发作检测，本条是卒中运动康复，标签体系、信号特征、评价指标完全不同。

30. 它和 stroke-scale-mimic-iii（596）能一起用吗？
概念上可互链（都是卒中、都有量表），但 596 是结构化 EHR、无神经信号，无法做信号-量表对齐。它更适合作为"量表侧的参照条目"被引用。

事实清单（硬事实 32 条）

1. 论文标题：Multisession fNIRS-EEG data of Post-Stroke Motor Recovery. Recordings During Intact and Paretic Hand Movements。
2. 期刊与卷期：Scientific Data，volume 13，article 448（2026）。
3. DOI：10.1038/s41597-026-06803-5。
4. 时间线：Received 2025-05-07；Accepted 2026-02-02；Published 2026-02-14；Version of record 2026-03-25。
5. 论文许可：CC BY-NC-ND 4.0（Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International）。
6. 作者序：Alexandra Medvedeva、Nikolay Syrov、Lev Yakovlev、Yana Alieva、Artemiy Berkmush-Antipova、Galina Ivanova、Natalia Shusharina、Alexander Kaplan。
7. 第一作者兼通讯：Alexandra Medvedeva，Skoltech 神经中心 Junior Research Scientist，ORCID 0009-0006-9998-4741。
8. Skoltech 中心署名双口径：PDF 前版本写 “Vladimir Zelman Center for Neurobiology and Brain Rehabilitation”，正式版写 “Center for Bio- and Medical Technologies”。
9. 合作机构：俄罗斯联邦医学生物署大脑研究联邦中心（FMBA）、皮罗戈夫俄罗斯国立研究医科大学、康德波罗的海联邦大学神经技术与人工智能中心、莫斯科国立大学生物系、深圳北理莫斯科大学生物系。
10. 样本量：16 名上肢偏瘫患者。
11. 年龄：42–71 岁，均值±标准差 57.2 ± 9.68。
12. 性别：6 名女性。
13. 利手：全部右利手。
14. 病程：13 例亚急性（<6 个月）、3 例慢性（>6 个月且 <1 年）。
15. 病因：缺血 13 例、出血 3 例；病灶经 CT 或 MRI 确认。
16. 残疾：全部 mRS=3；认知与语言功能保留。
17. 会话总量：84 次康复训练；每例最多 6 次（session 1 首日，session 6 出院前末次）。
18. 剔除：预处理阶段删除 30 个 recording，主要来自前 3 名患者。
19. EEG 放大器：NVX-52（MCS，Zelenograd，俄罗斯）。
20. EEG 电极：8 个被动 Ag/AgCl，位置 FCC3/FCC4/FCC5/FCC6/CCP3/CCP4，参考 T9/T10，阻抗 <10 kΩ。
21. EEG 采样率：500 Hz；同文件含 2 路 EMG（双侧指伸肌）+ 1 路 ECG（双腕，Einthoven I），共 11 通道。
22. fNIRS 设备：NIRSport 16×16 与 NIRSport 8×8（NIRx Medizintechnik GmbH，柏林），连续波模式。
23. fNIRS 配置：24 光源（760/850 nm，每波长 5 mW）+ 24 探测器（Si 光电二极管），源-探距约 3 cm，采样率 13.56 Hz。
24. fNIRS 通道数：70（1 个探测器故障，其通道与对侧对称通道剔除）。
25. 同步方式：自研 Arduino 控制器，每次视觉刺激起始同时向 EEG 放大器与 fNIRS 设备的 TTL 输入发脉冲。
26. 任务：SRT 键压；每 run 12 次闪光（每侧 6 次，伪随机），200 ms，间隔 9–11 s；每会话每手 ≥3 run。
27. 量表：ARAT + Fugl-Meyer（FMA-UE 0–66、FMA-S 0–12、被动 ROM 0–24、疼痛 0–24，合计 126）。
28. 数据格式：FIF（MNE）+ SNIRF（fNIRS）+ EDF（EEG）+ TXT 事件表 + Python 脚本。
29. 仓库：Figshare 10.6084/m9.figshare.28904942（论文引用标注 2025）；数据许可论文未声明。
30. 预处理：MNE-Python v1.3.1；强度→光密度用 mne.preprocessing.nirs.optical_density；原始 EEG 未做任何预处理。
31. 验证参数：fNIRS 带通 0.05–0.7 Hz、分段 [−0.1, 11] s、Beer-Lambert（PPF=4）；EEG 带通 0.5–40 Hz、分段 [−0.2, 2] s、Morlet（1–30 Hz，0.4 Hz 步长，FWHM 270 ms）。
32. 伦理与注册：Skoltech 伦理委员会 protocol №10（2023-05-18）；ClinicalTrials.gov NCT06806397。

---

术语表（28 条）

术语	释义
EEG（electroencephalography）	脑电图：头皮电极记录皮层神经元突触后电位总和，时间分辨率毫秒级
fNIRS（functional near-infrared spectroscopy）	功能性近红外光谱：用 760–850 nm 近红外光测皮层 HbO/HbR 变化，时间分辨率秒级
HbO / HbR	氧合血红蛋白 / 脱氧血红蛋白；fNIRS 反演的两个核心浓度量
光密度（optical density, OD）	入射光与出射光强度之比的对数，是 Beer-Lambert 反演前的中间量
Beer-Lambert 定律	由光衰减推算吸收体浓度的物理定律；需配合差分路径因子（DPF/PPF）
差分路径因子（DPF/PPF）	光在组织中实际路径长度与源-探距之比；论文取 4
神经血管耦合（neurovascular coupling）	神经元活动引发局部血流增加的机制，是 fNIRS/BOLD 信号的生理基础
神经血管解耦（neurovascular uncoupling）	上述耦合被破坏（如卒中后），电活动存在但血流不响应
血流动力学响应函数（HRF）	血流响应随时间变化的典型形态，峰值常滞后 5–7 s
ERD / ERS	事件相关去同步 / 同步：运动时 alpha/beta 频段功率下降（ERD）/上升（ERS）
感觉运动节律（SMR）	感觉运动区 8–30 Hz 的自发节律，运动时去同步
MRCP	运动相关皮层电位：运动前后数百 ms 内的慢电位变化
LRP	偏侧化准备电位：MRCP 中反映运动准备侧化的负波成分，论文峰约 0.5 s
RAP	再传入电位：运动后由体感反馈引起的正相偏转
偏瘫（hemiparesis）	一侧肢体肌力减弱；本条全部为上肢偏瘫
亚急性期 / 慢性期	卒中后 <6 个月 / >6 个月；本数据慢性组限定 <1 年
mRS	改良 Rankin 量表，0–6 分评估残疾程度；本条全部为 3 分
ARAT	上肢动作研究量表（Action Research Arm Test），评估抓/握/捏/粗大运动
Fugl-Meyer（FMA）	卒中运动功能评定量表；FMA-UE 上肢运动 0–66，本条总分上限 126
SRT（stimulus-response task）	刺激-应答任务；本条为 LED 闪光→按键
run	一个连续记录段；本条每 run 12 次闪光、目标手固定
session	一次康复训练日的完整记录，含多个 run；本条每例最多 6 次
目标试次 / 非目标试次	需要按键的闪光 / 应忽略的对侧闪光；后者充当 ERD 基线
10/5 系统	比 10-20 更密的电极定位系统；FCC/CCP 为其间插位置
源-探距（SD distance）	fNIRS 光源与探测器间距；约 3 cm 对应皮层深度
连续波（CW）fNIRS	恒定强度光源、分时点亮以区分通道的工作模式
SNIRF	近红外光谱共享数据格式，fNIRS 社区标准
EDF	欧洲数据格式，EEG 通用交换格式
硬件同步（TTL）	用同一物理脉冲同时标记多台设备的时间点，避免时钟漂移
混合效应模型	含固定效应与随机效应的统计模型；处理同一患者多次测量的相关性

附录

附录 A：条目信息速查卡

项	值
条目名	Multisession fNIRS-EEG Post-Stroke Motor Recovery
url_name	stroke-eeg-fnirs
类型	数据描述论文（Data Descriptor）+ 公开数据集
论文	Scientific Data 2026;13:448，doi:10.1038/s41597-026-06803-5
团队	Skoltech + FMBA 大脑研究联邦中心 + 莫斯科国立大学 等
规模	16 例 / 84 次会话 / 8 导 EEG / 70 通道 fNIRS
许可	数据：论文未声明（Figshare）；论文：CC BY-NC-ND 4.0
抓取时点	2026-10-17
库内互链	tuh-eeg-corpus(71)、chb-mit-scalp-eeg(72)、bonn-eeg(322)、eegmmidb(342)、hbn-eeg(362)、helsinki-neonatal-eeg(880)、siena-scalp-eeg(1070)、mental-fnirs(1021)、stroke-scale-mimic-iii(596)

附录 B：DAIMS 评估全表

维度	评分（1-10）	依据
D 可发现性（Discoverability）	7	论文发表于 Scientific Data、有 DOI 与新闻稿；但数据集不在主流神经数据平台（PhysioNet/OpenNeuro），检索需走 Figshare DOI
A 可获取性（Accessibility）	8	Figshare 公开直链、无需申请；扣分项是数据许可未在论文中声明
I 可互操作（Interoperability）	9	同时提供 FIF/SNIRF/EDF 三格式 + TXT 事件表，覆盖 MNE/Homer3/EEGLAB 生态；这是同类数据集中较高的互操作水平
M 元数据质量（Metadata）	7	论文给出完整参数（设备型号、电极位置、滤波带、分段窗）；扣分项：无逐通道源-探坐标表、无逐例会话日期、无总数据量
S 可持续性（Sustainability）	7	Figshare 由 Springer Nature 运营、DOI 长期有效；随数据附代码；风险在于单一机构维护、无版本更新机制
综合评级	7.6/10（良）	互操作与可获取性突出，元数据与可持续性稳健，主要短板是许可声明缺失与元数据细节不足

附录 C：逐项证据链自证

关键数字	来源	位置
16 例 / 84 次会话	论文摘要	Abstract
42–71 岁，57.2±9.68，6 女，右利手	论文 Methods 节 Study subjects	正文
13 亚急性 / 3 慢性；缺血 13 / 出血 3；mRS=3	论文 Methods 节 Study subjects	正文
8 导 EEG、FCC3/4/5/6、CCP3/4、T9/T10、500 Hz	论文 Methods 节	正文
NVX-52（MCS）	论文 Methods 节	正文
NIRSport 16×16/8×8、24 源、24 探、760/850 nm、5 mW、3 cm、13.56 Hz、70 通道	论文 Methods 节	正文
Arduino TTL 同步	论文 Methods 节	正文
12 闪光、200 ms、9–11 s、每手 ≥3 run	论文 Methods 节 Experimental procedure	正文
删除 30 个 recording、MNE v1.3.1	论文 Methods 节 Data preprocessing	正文
FMA 分域与 126 总分	论文 Methods 节	正文
fNIRS 0.05–0.7 Hz、[−0.1,11] s、PPF=4	论文 Technical Validation	正文
EEG 0.5–40 Hz、[−0.2,2] s、Morlet 参数、LRP 0.5 s	论文 Technical Validation	正文
Figshare DOI 10.6084/m9.figshare.28904942	论文参考文献 [16] / Data availability	正文
卷 13、文章号 448、日期 2026-02-14	Nature 页面 citation 元数据	页面
CC BY-NC-ND 4.0	Nature 页面版权声明	页脚
NCT06806397、伦理 №10（2023-05-18）	论文 Methods 节	正文
"首个"表述	Skoltech 新闻稿（medicalxpress 2026-03-03 转载）	新闻稿

附录 D：数据获取决策树

你要做什么？
├─ 只想看看数据长什么样
│    → 下 Figshare 条目里的 1 个 R_XX_sessionX_right1.fif，用 MNE 读
├─ 做 fNIRS 单模态分析
│    → 用 .snirf + .txt 事件表；Homer3 或 MNE-NIRS
├─ 做 EEG 单模态分析
│    → 用 .edf（EEGLAB）或 .fif（MNE），记得查量纲
├─ 做 EEG+fNIRS 联合分析
│    → 必用 .fif，两模态同 Raw 体系
├─ 做纵向康复轨迹
│    → 先把全部文件名解析成表（患者/患侧/session/目标手），核对每例 session 覆盖
└─ 商用
     → 先去 Figshare 条目页查许可；论文 CC BY-NC-ND 不可商用

附录 E：文件命名解析脚本骨架

import re
from pathlib import Path

PAT = re.compile(r"(?P<paretic>[RL])_(?P<subj>\d+)_session(?P<ses>\d+)_(?P<hand>left|right)(?P<run>\d+)")

rows = []
for p in Path("fNIRS").glob("*.snirf"):
    m = PAT.search(p.stem)
    if not m:
        print("UNPARSED:", p.name); continue
    rows.append({**m.groupdict(), "file": p.name})
# 检查每例 session 覆盖
from collections import defaultdict
cov = defaultdict(set)
for r in rows: cov[r["subj"]].add(int(r["ses"]))
for s, c in sorted(cov.items()): print(s, sorted(c), len(c))

这段脚本只做一件事：把命名解析成结构化表并检查覆盖率。论文没有给这样的表，所以这是每个使用者都必须先做的一步——它会立刻暴露"哪些患者只有 3 次 session"，从而决定你能不能做 session 1 vs session 6 的对比。

附录 F：EEG 伪迹处理建议（自建流水线参考）

论文交付的是未预处理 EEG，因此以下步骤需自行设计；顺序可参考 MNE 与 EEGLAB 常规流程：

步骤	方法	注意
1. 量纲确认	打印幅值范围，确认 V vs μV	坑 4
2. 高通	0.5 Hz（与论文一致的带通）	太低会引入漂移，太高会削 MRCP
3. 低通	40 Hz	论文口径
4. 工频	50 Hz 陷波（俄罗斯电网 50 Hz）	论文未提，但欧洲/俄罗斯均为 50 Hz
5. 眼电/肌电	ICA 或回归；用随附 EMG 通道辅助识别肌电	偏瘫患者肌电伪迹更重
6. 心电	用随附 ECG 通道做 R 峰锁定回归	ECG 通道的存在就是为此
7. 坏段剔除	幅值/方差阈值 + 目视	记录被剔除的试次比例，报告时注明

附录 G：EEG-fNIRS 联合分析的三条路径

路径	做法	产出	难度
描述性对齐	同一刺激锁时，分别画 ERD 时程与 HbO 时程，比较起始时滞	耦合时滞估计	低
空间一致性	EEG 8 导的偏侧化指数 vs fNIRS 左右簇的偏侧化指数，做相关	跨模态空间一致性	中
特征融合分类	EEG 频带功率 + fNIRS HbO 斜率拼特征，分类患手/健手	BCI 可行性指标	中高

三条路径都对"同一事件锁时"有硬依赖——这正好是硬件 TTL 同步提供的保证。若用其他数据集的 EEG 与 fNIRS 事后拼接，第一条路径就做不了。

附录 H：纵向分析的统计选择

设计问题	推荐方法	不推荐
康复前后差异（多时点）	线性混合效应模型（患者随机截距）	会话级配对 t 检验
与量表改善的关联	患者内变化量与量表变化量的相关（n=16）	会话级相关（伪重复）
学习效应 vs 恢复	健手为对照：健手趋势≈学习效应，患手趋势−健手趋势≈恢复	只看患手趋势
缺失会话	混合模型可容忍；或用多重插补	删除整例

附录 I：双口径登记表

项	口径 A	口径 B	采用
Skoltech 中心名	Vladimir Zelman Center for Neurobiology and Brain Rehabilitation（PDF 前版本）	Center for Bio- and Medical Technologies（正式版）	并列存照，正文用前者+括注
Figshare 年份	论文引用标 (2025)	论文发表 2026	视为仓储先行，正文注明
“全球首个”	新闻稿断言	论文"remain limited"	以论文为准，新闻稿作宣称引
84 次会话	摘要/背景节	剔除 30 recording 之后是否仍为 84 未说明	记为待核疑点

附录 J：检索路径示范

目标	推荐查询式	预期命中
论文原文	“Multisession fNIRS-EEG data of Post-Stroke Motor Recovery”	Scientific Data 13:448
数据集	figshare fNIRS EEG stroke Medvedeva	10.6084/m9.figshare.28904942
团队其他工作	Medvedeva Skoltech fNIRS stroke BCI	Skoltech 神经中心系列
新闻背景	Skoltech stroke fNIRS EEG dataset	medicalxpress 2026-03-03
临床注册	NCT06806397	ClinicalTrials.gov
反例（勿用）	“PhysioNet stroke EEG fNIRS”	无本数据集（坑 1）

附录 K：与库内条目的关系声明（正文 §9 摘要）

本条与 71/72/322/1070 的区分是疾病不同（卒中 vs 癫痫）；与 342 的区分是对象不同（患者 vs 健康人）且模态不同（双模态 vs 单模态）；与 362/880 的区分是年龄不同（成人 vs 儿童/新生儿）；与 1021 的区分是模态与场景不同（fNIRS 单模态认知 vs EEG+fNIRS 运动康复）；与 596 的区分是数据形态不同（神经信号 vs 结构化量表）。以上区分均可在检索结果页通过标题与 category 标签快速判定。

附录 L：使用检查清单（10 项）

1. 文件名解析成表，核对每例 session 覆盖（附录 E）。
2. 确认 EEG 量纲（V vs μV），否则伪迹阈值全错。
3. 确认 flash_l/flash_r 与目标手的映射，按文件逐一核对。
4. fNIRS 通道左右分组从文件头坐标重建，不要按序号硬切。
5. 会话序号当序数变量，不做等间隔假设。
6. 统计单位是患者（16），不是会话（84）。
7. 前 3 名患者 recording 被大量剔除，报告中注明有效样本。
8. 用健手做学习效应的对照，分离恢复与熟练度。
9. 引用"首个"时注明是机构宣称。
10. 商用前核实 Figshare 条目许可，勿以论文 CC BY-NC-ND 推断。

---

§11.6 与库内其他条目的读法差异提示

同一套检索式在不同条目上会得到不同的"该看哪一节"答案。为减少跨条目阅读成本，给出对照：

你的阅读目的	在本条看哪节	在库内其他 EEG 条目的典型位置
判断能不能直接下载	§6	癫痫类条目多在看"是否需注册/审批"
判断临床场景是否匹配	§2.1	癫痫类看"发作类型与导联数"，新生儿类看"孕周"
判断任务范式	§4.4、§5.2	eegmmidb 类看"运动想象 vs 执行"
判断纵向能力	§3.6、§2.2	多数 EEG 条目无此节（因为不纵向）
判断多模态	§3 全节	mental-fnirs 有单模态专节
判断统计陷阱	§8.3	大样本条目多谈"类别不平衡"，本条谈"伪重复"

差异的根源很清楚：库内 EEG 条目以"检测/分类"为主（癫痫发作检测、睡眠分期、运动想象分类），评价指标是灵敏度/特异度/AUC；本条以"机制描述与纵向轨迹"为主，评价指标是组间差异、时滞、与量表的相关。两类条目的"AI-Ready"含义不同：前者关心标签质量与划分规范，后者关心连续记录的可对齐性与临床元数据的完整性。

11.7 给后续维护者的三条提示

1. 等待一篇"使用本数据集"的第三方论文：截至抓取时点（2026-10-17），本数据集发表约八个月，尚未见广泛的下游引用。若后续出现基于它的 BCI 分类或纵向建模论文，应在 §7 增补"下游验证"小节，并核对是否有人报告了数据缺陷（如某患者通道异常）。
2. 等待 Figshare 许可明确化：论文未声明数据许可，若仓库页面后续补充 CC BY 4.0 等明确条款，应及时更新 frontmatter 的 license 与 §6.2，并把附录 I 的双口径条目移入"已解决"。
3. 关注患者 03 之外的复现：论文技术验证只做一例，若后续有人在全样本上复现"患侧先、健侧后"的模式（或证伪），这是本条目最值得更新的科学内容。

尾注

本条目为 AI-Ready Wikipedia 数据集条目，生产于 2026-10-17，抓取与核验时点见附录 A。事实陈述以 Scientific Data 2026;13:448（doi:10.1038/s41597-026-06803-5）正文、Nature 页面元数据、Skoltech 2026-03-03 新闻稿（经 medicalxpress/scoop 转载）为源。凡论文未报告之项（总数据量、逐例 session 日期、卒中侧别分布、fNIRS 逐通道坐标、Figshare 数据许可）一律按"未公开/未声明"处理，不作推测填充，已在附录 I 与 §8 存照。条目与库内 tuh-eeg-corpus(71)、chb-mit-scalp-eeg(72)、bonn-eeg(322)、eegmmidb(342)、hbn-eeg(362)、helsinki-neonatal-eeg(880)、siena-scalp-eeg(1070)、mental-fnirs(1021)、stroke-scale-mimic-iii(596) 互链，构成"生理信号—神经科学—脑机接口"家族的完整检索面。

附录 M：信号参数与常见分析目标的匹配表

分析目标	所需最低配置	本条是否够	备注
单试次运动意图检测（患手 vs 静息）	2–4 导感觉运动 EEG，≥50 试次	✅	每会话 3 run × 6 目标试次 ≈ 18 试次，偏少
患手 vs 健手分类	双侧对称导联	✅	FCC3/FCC4 对称，天然可比
alpha/beta ERD 时程	覆盖 C3/C4 区，≥250 Hz 采样	✅	500 Hz 充裕
MRCP（LRP/RAP）	覆盖 C3/C4 区，直流耦合或 ≥0.1 Hz 高通	⚠️	论文用 0.5 Hz 高通，会削弱慢电位
fNIRS 皮层激活定位（区域级）	≥20 通道覆盖 ROI	✅	70 通道覆盖双侧感觉运动区
fNIRS 功能连接（左右半球）	≥2 个通道簇	✅	论文即用两簇
源定位	≥32 导 + 个体头模	❌	8 导不足
高密度地形图	≥32 导	❌	同上
全头脑网络	≥32 导 + 全头覆盖	❌	同上
神经血管耦合估计	同步 EEG + fNIRS 同区覆盖	✅	本条核心优势
纵向恢复轨迹	同一患者 ≥3 次	⚠️	部分患者不足 6 次，需核对

表的最后一行提示了一个现实：“纵向数据集"不等于"每个患者都有完整纵向”。分析前先做覆盖率统计（附录 E），才能确定哪些患者能进纵向模型。

附录 N：2026 年卒中神经影像数据开发的三个趋势与本品位置

趋势	表现	本品位置
便携化	从 MRI 向 fNIRS/EEG/可穿戴迁移	站在最前沿：康复现场可重复
多模态化	EEG-fNIRS、EEG-fMRI 同步	属于 EEG-fNIRS 同步的代表作
纵向化	从横断面走向康复轨迹追踪	84 次会话，纵向设计完整

三个趋势的交点正是"床边、可重复、多模态"——这也是本数据集最值得被引用的结构性理由。它与 MRI 类卒中数据集不是竞争关系，而是互补：MRI 提供解剖与病灶，fNIRS/EEG 提供时间维度的功能轨迹。

附录 O：一条 EEG 记录在文件层面的样子（结构示意）

R_02_session2_right1_raw.fif
├── info
│   ├── ch_names: [FCC3, FCC4, FCC5, FCC6, CCP3, CCP4, EMG_R, EMG_L, ECG, ...]
│   ├── sfreq: 500.0
│   └── ch_types: [eeg × 6, emg × 2, ecg × 1]
├── data: (n_ch, n_times)  float64
├── events: [[sample, 0, code], ...]   code ∈ {flash_l, flash_r}
└── annotations / metadata

对应 fNIRS 侧：

R_02_session2_right1.snirf
├── nirs/metaData
│   ├── wavelengths: [760, 850]
│   └── sourcePos / detectorPos / channelPos（坐标）
├── nirs/data1: 光强 (n_ch × n_wl, n_times)
├── nirs/data2: 光密度（若已转换）
└── nirs/stim: 事件（可对应 flash_l / flash_r）

这两段是"结构示意"而非真实文件内容——真实通道顺序、坐标数值需以文件为准。示意的作用在于告诉使用者：坐标信息就在文件头里，坑 8 所说的通道分组表是可以自己重建的。

附录 P：读这篇论文时的五个"注意措辞"

论文原话	正确读法	常见误读
“first in the world”（新闻稿）	机构宣称	学术定论
“ipsilesional… followed by contralesional”	单例时序观察	群体规律
“may indicate compensatory recruitment”	推测性解释	已证实机制
“recordings during movements of both the paretic and intact hands”	任务覆盖双侧	有健康对照组
“the raw EEG signal was not preprocessed in any way”	需自建清洗流程	数据已可直接入模

五条合起来说明一件事：这是一篇数据描述论文，它的任务是"证明数据可用且有用"，不是"给出科学结论"。评价它的标准应当是"数据规格是否清楚、格式是否标准、可获取性是否好"，而不是"发现是否重大"。按这个标准，它交出了一份相当扎实的答卷——只是"首个"与"代偿"这两处措辞需要读者自己校准。

---

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：

• mental-fnirs — 共享标签：生理信号 / 脑电信号 / 神经科学 / 脑机接口 / 多模态
• ibl-brain-wide-map — 共享标签：生理信号 / 脑电信号 / 神经科学 / 多模态
• spikeinterface — 共享标签：生理信号 / 脑电信号 / 神经科学 / 多模态
• eegmmidb — 共享标签：生理信号 / 脑电信号 / 神经科学 / 脑机接口
• bci-competition-iv-2a — 共享标签：生理信号 / 脑电信号 / 神经科学 / 脑机接口
• moabb — 共享标签：生理信号 / 脑电信号 / 神经科学 / 脑机接口
• multimodal-gait-dataset — 共享标签：生理信号 / 脑电信号 / 神经科学 / 多模态
• ninapro — 共享标签：生理信号 / 神经科学 / 脑机接口
• cves — 共享标签：生理信号 / 神经科学 / 多模态
• dandi-archive — 共享标签：生理信号 / 神经科学 / 多模态

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。