基于EEG与临床特征预测治疗反应的机器学习数据集
该数据集来自 data.mendeley.com，面向耳鸣患者重复经颅磁刺激（rTMS）治疗反应预测。数据以 Supplementary Table 1.xlsx 提供，包含全部受试者的人口学信息与临床指标（年龄、性别、PTA、耳鸣侧别、病程、VAS、THI 等）、事件相关电位（P1、N1、P2、N
基本信息
资源简介
基于EEG与临床特征预测治疗反应的机器学习数据集
Data For Predicting Treatment Response Using a Machine Learning Model Based on EEG and Clinical Features
该数据集来自 data.mendeley.com，面向耳鸣患者重复经颅磁刺激（rTMS）治疗反应预测。数据以 Supplementary Table 1.xlsx 提供，包含全部受试者的人口学信息与临床指标（年龄、性别、PTA、耳鸣侧别、病程、VAS、THI 等）、事件相关电位（P1、N1、P2、N2、P3、N3 成分的潜伏期与幅值）、频带功率及微状态参数。可用于构建整合 EEG 生物标志物与临床特征的机器学习模型，预测耳鸣患者对 rTMS 的治疗反应（来源 Mendeley Data）。
【数据集背景】
源站首次发布：2025-08-18。
【数据内容】
源站描述（机器翻译，仅供参考）：假设：该数据旨在开发一个整合脑电图（EEG）生物标志物与临床特征的机器学习模型，以预测耳鸣患者对重复经颅磁刺激（rTMS）的治疗反应。数据描述：“Supplementary Table 1.xlsx”包含所有参与者的人口学信息、事件相关电位（ERPs）、频带功率和微状态参数。人口学信息：包括临床指标（年龄、性别、PTA、耳鸣侧别、病程、VAS、THI 等）。事件相关电位（ERPs）：在主动注意条件下，提取了 2000 Hz 纯音刺激下 Fz 处 P1、N1、P2、N2、P3 和 N3 成分的潜伏期与幅值。潜伏期定义为从刺激开始到每个最大偏转峰值的时间。测量了峰-谷幅值，以及
【数据结构与技术规格】
文件数 1 个，合计 150.37 KB。数据集 DOI：10.17632/t4zh638fbz.1。
【主题与分类】
主题标签：耳鸣、rTMS、EEG生物标志物、事件相关电位、机器学习、治疗反应预测、临床特征。本站分类：神经系统疾病。
【获取与许可】
源站页面：https://data.mendeley.com/datasets/t4zh638fbz
下载信息
注册下载
需要注册 Kaggle 账号并登录后下载，适合需要跟踪下载记录和使用 API 的用户。
暂未开放公开下载
无需注册即可直接获取公开样本或文档，适合快速预览和评估数据集质量。
免登录有偿下载
公开数据集受托下载与技术交付服务。
提供高速下载与技术交付服务（收技术服务费，非数据销售）
暂未开放当前数据集主要来源为 Kaggle 公开托管，完整影像包建议通过原始链接或 Kaggle API 获取。
使用方式
数据集获取
源站：https://data.mendeley.com/datasets/t4zh638fbz
标准获取流程：
- 访问源站链接，注册/登录账号；
- 进入数据集详情页，按页面指引申请权限或直接下载；
- 部分平台提供 SDK，例如：
- OpenDataLab:
pip install openxlab后openxlab.dataset.get(...) - ModelScope:
pip install modelscope后modelscope download - 天池: 登录后页面提供直链下载
以源站「数据下载/使用文档」页面为准。
- OpenDataLab:
数据集大小约 150.4 KB。
数据说明
Zhongling Ding (2025). Data For Predicting Treatment Response Using a Machine Learning Model Based on EEG and Clinical Features [Dataset]. http://doi.org/10.17632/t4zh638fbz.1
数据加载示例（图像类）
from PIL import Image
import glob, os
files = (glob.glob(os.path.join(path, "**", "*.png"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.jpg"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.tif"), recursive=True))
print("图像文件数:", len(files))
img = Image.open(files[0]); print("尺寸/模式:", img.size, img.mode)
# torchvision Dataset 方式:
# from torchvision import datasets
# ds = datasets.ImageFolder(path) # 要求 子目录=类别
目录组织与标注格式以源站说明和下载后实际文件为准。
数据缺失？
依托陕西、四川两大基地，我们与超过十家三甲医院建立直接合作关系，覆盖合规授权、采集治理、专业标注、数据交付的全流程，为AI医疗团队提供即拿即用的高质量临床数据。
⚡️ 需要数据支持或标注服务？立即联系我们获取专业方案。
