Rock, Paper, Scissors EEG 分类数据集

数据集获取

源站：https://doi.org/10.5281/zenodo.23665773

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 13.66 GB。

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“Neural decoding of competitive decision-making in Rock-Paper-Scissors”，OpenNeuro ds006761，版本1.0.0，最初由Moerel及其同事以CC0协议发布。分类目标是玩家在决策期EEG中最终选择的石头（rock）、布（paper）或剪刀（scissors）。源数据包含31对同时记录的配对，共62名玩家。筛选29，760个玩家-试次候选样本，排除249个个体无响应，剩余29，511个样本。无响应仅排除无响应玩家的样本；其对手的样本仍保留。每个样本包含64个头皮EEG通道和512个采样点（256 Hz），以伏特为单位表示。预处理提取从决策起始开始的2秒区间，排除响应期和反馈期。处理包括源数据采集/玩家库校正、逐通道时间中心化、从2，048 Hz到256 Hz的多相降采样、对作者公布的不良通道进行插值以及共平均参考。信号以float32精度存储。

未应用额外的带通滤波或自动幅度、眼电或肌电伪迹剔除。采用种子42进行配对级随机划分，从25对（50名玩家）中产生23，799个TRAIN样本，从6对（12名玩家）中产生5，712个TEST样本。对手双方及其所有试次均保留在同一分区中。TRAIN包含8，464个石头、7，791个布和7，544个剪刀样本；TEST包含1，964个石头、1，812个布和1，936个剪刀样本。发布内容包含三个文件：RockPaperScissors_TRAIN.ts和RockPaperScissors_TEST.ts：aeon格式的信号与类别标签。RockPaperScissors_rows.tsv：按行对齐的配对ID、个体参与者ID、标签、源试次与样本坐标，以及可选的分组验证折分配。在TRAIN内使用StratifiedGroupKFold并设置rand构建了五个可选验证折

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。