数据集描述（简单记录）

1.实验范式

本数据集由9名受试者的脑电图数据组成。基于线索的BCI范式包括四种不同的运动想象任务，即想象左手(1类)、右手(2类)、双脚(3类)和舌头(4类)的运动。每个被试在不同的时间记录了两个会话。每一节由6次跑步组成，中间有短暂的休息。一次测试包括48次测试(四种可能的级别，每个级别12次)，每次测试288次。

在每次会议开始时，进行大约5分钟的记录，以估计EOG的影响。录音分为3个部分:(1)眼睛睁开2分钟(看着屏幕上固定的十字)，(2)眼睛闭上1分钟，(3)眼球运动1分钟。一个会话的计时方案如图1所示。注意，由于技术问题，EOG块对受试者A04T较短，只包含眼动条件(所有受试者列表见表1)。

受试者坐在舒适的扶手椅上，面对电脑屏幕。试验开始时(t = 0 s)，黑屏上出现一个固定十字。此外，还提出了一种短声警告音。两秒后(t = 2秒)，一个箭头形式的提示，指向左、右、下或上(对应于四个类中的一个左手、右手、脚或舌头)在屏幕上出现并停留了1.25秒。这促使受试者执行预期的运动想象任务。没有提供任何反馈。受试者被要求进行运动想象任务，直到注视交叉在6秒时从屏幕上消失。短暂的休息之后，屏幕又变黑了。范例如图2所示。

2.数据记录

22个Ag/AgCl电极(电极间距为3.5 cm)记录脑电图;蒙太奇如图3所示。所有信号均以左侧乳突为参考，右侧乳突为地面，单侧记录。采样频率为250 Hz，并在0.5 Hz和100 Hz之间进行带通滤波。将放大器的灵敏度设定为100µV。附加的50赫兹陷波滤波器可以抑制线路噪声。

除22个脑电通道外，还有3个单极EOG通道以250hz进行记录和采样(见右侧图3)。它们在0.5 Hz和100 Hz之间进行带通滤波(启用50 Hz陷波滤波器)，放大器的灵敏度设置为1mV。EOG通道是为后续应用伪影处理方法[1]提供的，不能用于分类。

一个专家对所有数据集进行了目视检查，并标记了包含伪影的试验。在文献[2,3]中，共分析了9个数据集中的8个。

3.数据文件说明

所有数据集以生物医学信号通用数据格式(GDF)存储，每个主题和会话一个文件。然而，只有一个会话包含所有试验的类标签，而另一个会话将用于测试分类器，从而评估性能。表1列出了所有文件。请注意，评估集将在竞赛截止日期后提供(科目A01的一个文件作为示例除外)。GDF文件可以使用开源工具箱BioSig来加载，该工具箱可在http://biosig.sourceforge.net/免费获得。有Octave1/FreeMat2/MATLAB3的版本，以及C/ c++的库。

一个GDF文件可以通过BioSig工具箱在Octave/FreeMat/MATLAB中使用以下命令加载(对于C/ c++，必须调用相应的函数HDRTYPE* sopen和size t sread):

请注意，运行以100个缺失值分隔，默认情况下，这些缺失值被编码为非a-number (NaN)。或者，这个行为可以被关闭，丢失的值将被编码为负的最大值，存储在文件中:

然后工作区将包含两个变量，即信号s和头部结构h。信号变量包含25个通道(前22个是EEG信号，后3个是EOG信号)。头结构包含描述数据随时间变化的结构的事件信息。以下字段为该数据集的评估提供了重要信息:

样本中事件的位置包含在h.EVENT.POS中。相应的类型可以在h.EVENT中找到。TYP，而该特定事件的持续时间存储在h.EVENT.DUR中。这个数据集中使用的类型如表2所示(十六进制值，括号中的十进制表示法)。请注意，类标签(即，1、2、3、4对应事件类型769、770、771、772)只提供给训练数据，而不提供给测试数据。

由专家打分的包含人工制品的试验被标记为1023型事件。此外，h.ArtifactSelection包含所有试验的列表，0对应于一个干净的试验，1对应于一个包含工件的试验。

为了查看GDF文件，可以使用查看和评分应用程序SigViewer v0.2或更高版本(BioSig的一部分)。

4.评估（预估）

参与者应以类别标签(1、2、3、4)的形式为每个样本提供连续的分类输出，包括标记的试验和标记为伪迹的试验。然后将从每个时间点的所有无人工制品试验建立一个混淆矩阵。从这些混淆矩阵中，可以得到精度的时间历程以及kappa系数[5]。用于此评估的算法将在BioSig中提供。胜者是kappa值最大的算法X.KAP00。由于评估数据集在比赛结束前不会被分发，提交的程序必须接受EEG数据(该数据的结构必须与所有训练集s4中使用的相同)作为输入，并产生上述类标签向量。由于提供了三个EOG通道，在后续使用高通滤波或线性回归[4]等伪影去除技术处理数据之前，需要先去除EOG伪影。为了能够应用其他校正方法，我们选择了最大透明度的方法，并提供了EOG通道;同时，我们要求工件不影响分类结果。所有的算法必须是因果的，这意味着在时间k的分类输出可能只依赖于当前和过去的样本xk, xk−1，…， x0。为了检查因果关系标准和工件处理需求是否得到满足，所有提交的内容必须是开源的，包括所有额外的库、编译器、编程语言等等(例如，Octave/FreeMat、c++、Python……)。注意，提交也可以在封闭源代码的开发环境MATLAB中编写，只要代码在Octave中是可执行的。类似地，c++程序可以用Microsoft或Intel编译器编写和编译，但代码也必须用g++编译。