用于未来皮层脑电脑机接口应用的清醒与类睡眠状态检测优化数据

数据集获取

源站：https://doi.org/10.5061/dryad.4f92n

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 4.40 GB。

数据说明

既往研究表明，利用皮层脑电图（ECoG）可以实现对脑机接口（BCI）稳定且鲁棒的控制。将这项技术从实验室推广到现实世界，需要额外的方法，使用户能够自主操作基于ECoG的BCI。在这种环境中，用户必须能够执行目前由实验者完成的所有任务，包括手动开启/关闭BCI系统。尽管这是一项简单的任务，但由于严重的运动障碍，对目标用户（例如四肢瘫痪者）而言可能具有挑战性。在本研究中，我们提出了一种自动化且实用的策略，根据用户的认知状态来开启或关闭BCI系统。利用逻辑回归，我们构建了概率模型，使用来自人类的硬膜下ECoG信号，以伪实时方式估计一个人是清醒还是处于类睡眠状态，并据此决定是否开启或关闭BCI系统。此外，我们对这些模型加以约束，以确定用于区分状态的最佳解剖学和频谱参数。

其他方法也可利用ECoG区分清醒与睡眠状态，但均未考虑BCI应用的实际需求，如最小化ECoG植入物尺寸和实时预测状态。我们的结果表明，在4名个体中，仅使用位于中央前回和颞上回后部上方的5个电极（直径2.3毫米的铂金圆盘）所采集的高伽马（70-110 Hz）频段有限功率，即可在伪实时条件下以超过80%的准确率（最高达92%）对清醒和类睡眠状态进行分类。

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。