EEGMAT静息态与算术任务EEG分类数据集
分类目标为静息态（rest）与连续减法心算（arithmetic）。整理后的数据集包含来自36名参与者的72段记录，产生2,160个不重叠的2秒窗口
基本信息
资源简介
EEGMAT静息态与算术任务EEG分类数据集
EEGMAT rest vs arithmetic EEG classification dataset 是一个面向脑电信号分类任务的整理数据集，其分类目标为静息态（rest）与连续减法心算（arithmetic）两种状态。整理后的数据集包含来自36名参与者的72段记录，共产生2,160个不重叠的2秒窗口，每名参与者在每种条件下贡献30个窗口。每个样本包含19个头皮脑电通道、500 Hz采样率下的1,000个采样点，信号以伏特为单位表示。该数据集归类于神经系统疾病/其他方向，来源于doi.org，原始数据出自PhysioNet上的EEGMAT数据集1.0.0版本，由Zyma及其同事在Open Data Commons Attribution License v1.0下发布，本整理版本作者为Vatsavai, Raghu，机构为Zenodo，发布时间为2026年。
【数据集背景】
该数据集建立在PhysioNet公开发布的EEGMAT数据基础之上，原始版本为1.0.0，由Zyma及其同事在Open Data Commons Attribution License v1.0许可下发布。整理版本的目标是将原始记录转化为可直接用于二分类建模的脑电样本集合，分类任务区分静息状态与连续减法心算状态。这一任务属于认知负荷与脑电模式关系研究的典型范式，适合考察心算任务相对于安静休息状态在大脑电活动上的可区分性。
【数据内容】
整理后的数据集包含72段记录，来自36名参与者，即每名参与者对应两段记录，分别覆盖静息态与心算条件。所有记录被切分为2,160个不重叠的2秒窗口，每名参与者在每种条件下贡献30个窗口。每个样本由19个头皮脑电通道构成，在500 Hz采样率下包含1,000个采样点，数值以伏特表示，并以float32精度存储。样本的标签为二分类，即rest与arithmetic。
【采集与来源】
数据来源于PhysioNet的EEGMAT数据集1.0.0版本，原始数据由Zyma及其同事发布。整理过程仅使用每段记录的前60秒，保留原始参考方式，并以float32精度存储信号。整理过程中未施加额外的滤波、重采样、时间居中、归一化或伪迹剔除。参与者层面的随机划分使用种子20261009，源站描述在此处未完整给出划分比例等后续细节。
【适用场景】
该数据集适用于静息态与心算状态的二分类脑电建模，可用于评估不同分类器在短时2秒窗口上的区分能力，也可用于研究19通道头皮脑电在认知负荷任务中的特征表现。由于样本按参与者层面进行划分，适合考察模型对未见参与者的泛化表现。数据保留原始参考且未做滤波与归一化，也适合作为需要自行设计预处理流程的实验起点。
【使用方法】
使用时可按参与者层面的随机划分（种子20261009）组织训练与评估，避免同一参与者的窗口同时出现在训练与测试集合中造成信息泄漏。每个样本为19通道×1,000采样点的float32数组，采样率500 Hz，对应2秒时长，标签为rest或arithmetic。由于未做滤波、重采样与归一化，使用者需根据自身方法自行决定是否施加相应预处理。源站描述中关于划分比例的具体信息未完整提供。
【质量与限制】
该数据集仅使用每段记录的前60秒，可能未覆盖记录中更长时间段内的状态变化。整理过程未进行伪迹剔除，因此样本中可能保留眼电、肌电等非脑源成分。未做滤波与归一化意味着信号保留了原始参考与原始幅度尺度，使用者需自行承担预处理选择带来的影响。每名参与者在每种条件下仅30个2秒窗口，样本量相对有限。源站未提供关于参与者年龄、性别分布及记录质量的进一步说明。
【引用与许可】
原始EEGMAT数据集由Zyma及其同事发布，版本1.0.0，采用Open Data Commons Attribution License v1.0许可。本整理版本的作者为Vatsavai, Raghu，机构为Zenodo，发布时间为2026年，同样遵循Open Data Commons Attribution License v1.0。使用时应按照该许可要求进行署名，并同时引用原始PhysioNet数据源与整理版本。
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/10.5281/zenodo.23665137
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 580.1 MB。
数据说明
本发布提供了一个预处理后的EEG分类数据集，源自https://physionet.org/content/eegmat/1.0.0/，PhysioNet版本1.0.0，最初由Zyma及其同事根据Open Data Commons Attribution License v1.0发布。分类目标为静息状态（rest）与连续减法心算（arithmetic）。预处理后的数据集包含来自36名参与者的72段记录，生成2，160个不重叠的2秒窗口。每名参与者在每种条件下贡献30个窗口。每个样本包含19个头皮EEG通道和500 Hz下的1，000个采样点，以伏特表示。预处理使用每段记录的前60秒，保留原始参考，并以float32精度存储信号。未应用额外的滤波、重采样、时间居中、归一化或伪迹剔除。采用种子20261009的参与者级随机划分，生成来自24名参与者的1，440个TRAIN窗口和来自12名参与者的720个TEST窗口。两个分区均包含等量的静息和心算窗口。同一参与者的所有窗口均保留在同一分区中。
该发布包含四个文件：EEGMAT_TRAIN.ts和EEGMAT_TEST.ts：aeon格式的信号和类别标签。EEGMAT_rows.tsv：按行对齐的参与者ID、标签、源记录和窗口坐标，以及可选的分组验证折分配。EEGMAT_metadata.json：采样率、通道顺序、单位、标签映射、准备细节和参与者划分信息。在TRAIN内使用StratifiedGroupKFold构建了五个可选验证折，随机种子为42，保持完整参与者在一起。TEST不包含在这些折中。两个信号文件支持标准的固定TRAIN/TEST基准；配套表格支持参与者感知的调参和参与者级分类指标的报告。两种条件均出现在每个参与者内，因此预测应按窗口评估，可选地对性能进行平均
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。
需要用于商业化训练或医疗器械注册（NMPA/FDA）？
公开数据往往缺乏完整的病理回证与专家标注。千方医数集依托陕川双基地与超十家三甲医院直连，提供完全合规、去标识化、支持注册级质控的专病数据集交易服务。
