性别烦躁中声音性别感知的神经相关数据
该数据集来自一项 fMRI 研究,考察性别烦躁个体在声音性别感知上的神经相关。研究纳入 32 名男转女性别烦躁个体、20 名非性别烦躁男性和 19 名非性别烦躁女性,参与者对 240 个按半音步向另一性别修改的声音刺激判断性别

基本信息
资源简介
性别烦躁中声音性别感知的神经相关数据
Data from: More than just two sexes: the neural correlates of voice gender perception in gender dysphoria
该数据集来自一项 fMRI 研究,考察性别烦躁个体在声音性别感知上的神经相关。研究纳入 32 名男转女性别烦躁个体、20 名非性别烦躁男性和 19 名非性别烦躁女性,参与者对 240 个按半音步向另一性别修改的声音刺激判断性别。数据可用于探索声音性别感知的脑功能相关,以及性别认同与神经生物学因素的关系(来源 DOI 解析,Creative Commons Zero v1.0 Universal 许可)。
【数据集背景】
源站首次发布:2015。
【数据内容】
源站描述(机器翻译,仅供参考):性别烦躁(又称“易性症”)的特征是解剖性别与性别认同之间的不一致。研究指向神经生物学影响。由于人类声音具有性二态特征,声音性别感知提供了具有生物学相关性的功能,例如在择偶选择背景下。有证据表明,对异性声音的识别更好,且其潜在的大脑功能相关区域存在性别差异,即前额叶和颞中区。这项 fMRI 研究考察了 32 名男转女性别烦躁个体(MtFs)与 20 名非性别烦躁男性和 19 名非性别烦躁女性相比的声音性别感知神经相关。参与者指出 240 个按半音步向另一性别方向修改的声音刺激的性别。与
【主题与分类】
主题标签:gender dysphoria、voice perception、transsexualism、gender differences。本站分类:神经系统疾病。
【获取与许可】
源站页面:https://datadryad.org/dataset/doi:10.5061/dryad.48tj0
使用许可:Creative Commons Zero v1.0 Universal。
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://doi.org/10.5061/dryad.48tj0
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 147.9 MB。
数据说明
性别烦躁(又称“易性症”)的特征是解剖学性别与性别认同之间的不一致。研究指向神经生物学的影响。由于人类嗓音具有性别二态性特征,嗓音性别感知提供了一种具有生物学相关性的功能,例如在择偶选择的背景下。有证据表明,人们对异性嗓音的识别更好,并且在其潜在的大脑功能相关区域——即前额叶和颞中区——存在性别差异。这项功能磁共振成像研究考察了32名男转女性别烦躁个体(MtFs)与20名非性别烦躁男性和19名非性别烦躁女性相比,在嗓音性别感知方面的神经相关物。参与者对240个以半音阶向另一性别方向修改的嗓音刺激的性别作出判断。与男性和女性相比,MtFs在对男性与女性嗓音作出反应时,在一个包括内侧额前回、岛叶和楔前叶的神经网络中表现出差异。
随着声音变形程度的增加,男性相较于女性和跨性别女性(MtFs)招募了更多前额叶区域,而MtFs则展现出与女性更为相似的模式。在行为和神经层面,我们的结果支持了MtFs报告他们无法认同其被指定性别的感受。
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。




