基于静息态EEG空间ICA识别的大规模功能网络数据

数据集获取

源站：https://doi.org/10.5061/dryad.v9f16

标准获取流程：

1. 访问源站链接，注册/登录账号；
2. 进入数据集详情页，按页面指引申请权限或直接下载；
3. 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。

数据集大小约 7.74 GB。

数据说明

已有多种方法应用于EEG或MEG信号以检测功能网络。在近期利用MEG/EEG和fMRI数据的研究中，时间ICA分析已被用于提取静息态网络的空间图谱，无论是否对皮层进行基于图谱的 parcelation。由于fMRI信号与电磁信号之间的联系尚未完全确立，且为避免任何偏差，我们检验了仅凭EEG是否能够推导出功能网络的空间分布和时间特征。为此，我们提出了一种两步原创方法：1）个体多频数据分析，包括基于EEG的源定位和空间独立成分分析，这使我们能够表征静息态网络。2）组水平分析，涉及层次聚类程序，以识别在群体中可重复的大规模网络。与通过fMRI获得的大规模静息态网络相比，所提出的基于EEG的分析得益于EEG的高时间分辨率，揭示了较小的独立网络，因此呈现出网络的层次化组织。

比较显示，脑电图（EEG）与功能磁共振成像（fMRI）网络在运动区、前运动区、感觉区、额叶及顶叶区域存在大量重叠。然而，在颞叶区域，基于EEG和基于fMRI的网络之间存在不匹配，这可能源于fMRI在这些区域的敏感性较低或EEG信号中的伪迹。所提出的方法借助EEG的高时间分辨率，为在源水平上研究网络的高时间动态特性开辟了道路。这样一来，便有可能深入研究连接动态的详细测量指标。

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。