文献阅读第二天

论文题目: A Cross-Session Dataset for Collaborative Brain-Computer

Interfaces Based on Rapid Serial Visual Presentation

DOI: 10.3389/fnins.2020.579469

作者信息：Li zheng, Sen Sun, Hongze Zhao, Weihua Pei, Hongda Chen, Xiaorong Gao, Lijian Zhang, Yijun Wang

摘要：基于快速串行视觉呈现(RSVP)的脑机接口(BCI)被广泛应用于目标图像和非目标图像的分类。然而，从脑电图(EEG)信号中检测单试验事件相关电位(ERPs)仍然是一个挑战。此外，脑电图信号随时间的变化可能会导致系统长期使用时的校准困难。近年来，协同BCI被提出通过融合多个被试的大脑活动来提高BCI的整体表现。对于单个BCI和协作BCI，可以跨会话传输的特征提取和分类算法可以显著促进系统校准。尽管开放数据集对于开发算法非常有效，但目前仍然缺乏基于RSVP的协同BCI的数据集。本文提供了一个基于RSVP的协同脑机接口系统的跨会话脑电图数据集，该数据集来自14名受试者，他们被分为7组。在协同BCI实验中，两个被试同时完成相同的目标图像检测任务。所有的受试者以平均23天的间隔参加两次相同的实验。数据评估结果表明，适当的信号处理算法可以大大提高跨会话BCI在个体和协作条件下的性能。此外，与单个BCI相比，融合多主体信息的协同方法显著提高了BCI性能。该数据集可用于开发更有效的算法，以提高协同基于RSVP的BCI系统的性能和实用性。

介绍

1、采用协同脑机接口(collaborative BCI)同时记录两名受试者的脑电图数据，两名受试者同时执行相同的目标检测任务；

2、两次单独的会议 七个小组（14名受试者）中的每一个都在两个不同的日子里被记录下来 不同的日子，平均间隔为23天；

3、记录了全头62通道脑电图数据，并提供了原始数据，没有进一步处理。

1 trial 3 blocks 1 subject

14 trails 42 blocks

42 blocks * 14 subjects 2 days

方法

数据获取：

62通道，其中第一个block用来训练，2和3个block用来测试

数据格式：

采样率为1,000赫兹，并且所有数据都是未经任何处理的原始数据。每个文件被命名为命名为 "组索引+会话索引"（即，G1D1.mat, G1D2.mat, :: :, G7D2.mat）。) "Gn "是第n个组（共7个）。"D1 "和 "D2 "分别表示第一和第二节。每个文件 包含两个名为 "Sa "和 "Sb "的单元格，表示该组的两个受试者表示该组中的两个受试者。每个1-3单元数组（"Sa "和 "Sb"）包含在一个会话中记录的三个数据块。单元阵列中的每个元素单元阵列中的每个元素都对应于一个数据块。每个元素是一个尺寸为[63, N]的矩阵，表示62个通道的脑电图数据和一个长度为N的触发通道。矩阵是不同的，因为实验时间不同。但同一区块中的一组受试者的N是相同的。对于触发通道，目标图像的起始点被定义为 "1" 而非目标图像的起始点被定义为 "2"。由于每个元素对应于一个区块，每个矩阵包含14个试验（1400个图像事件）的数据。14次试验（1,400个图像事件，包括56个目标）。数据的细节信息的细节也在 "Readme.txt "文件中进行了总结。

结果