aoi学院

Aisaka's Blog, School of Aoi, Aisaka University

伏云发教授团队发布全球首个梯度化视觉想象脑电数据集

脑机接口(BCI)技术通过建立大脑与外部设备的直接通讯通路,在神经康复、智能控制与人机交互等领域展现出巨大潜力。其中,基于视觉想象的脑机接口(VI-BCI)近年来备受关注。与依赖于外部刺激(如视觉闪动)的范式不同,VI-BCI要求使用者主动、自主地在脑海中生成特定视觉图像,从而诱发特定的神经活动。这种“纯意念驱动”的模式为开发更自然、沉浸式的脑机交互应用提供了全新路径,例如在虚拟现实中直接通过想象来操控物体,或为语言及运动功能障碍者提供一种无需外部提示的沟通方式。

然而,VI-BCI的发展长期面临一个关键瓶颈:高质量、任务专用的公开脑电数据集极度缺乏。当前主流的公开脑电数据集大多围绕运动想象任务构建,例如想象活动左手、右手等。相比之下,针对视觉想象这一更高级认知活动的数据集却凤毛麟角。这种稀缺性主要源于视觉想象所诱发的神经信号更为微弱、变异性大,且极易受到个体认知状态差异的影响,导致数据采集与解码的难度更高。数据资源的匮乏,直接限制了研究人员对视觉想象神经表征机制的深入探索,以及鲁棒性解码算法的开发与验证。

为此,昆明理工大学的研究团队近日在《科学数据》期刊上发布了一个全新的、专门针对视觉想象解码的脑电图数据集。该数据集旨在为这一前沿领域提供一个坚实、公开的数据基础,推动VI-BCI从受控实验室环境走向真实世界应用。


数据集核心设计:梯度化与系统性

该数据集的核心价值在于其系统性的任务设计。研究团队招募了22名健康参与者,要求他们在脑海中想象十种常见的图像,这些图像被精心分为三个语义类别,形成一个清晰的认知复杂性梯度

  1. 图形:圆形、正方形、五角星。这类图像高度抽象,视觉形式简单,认知负荷相对较低。
  2. 动物:狗、鱼、鸟。这类图像具有明确的生物意义和更丰富的语义内容。
  3. 物体:杯子、椅子、手表、剪刀。这类图像代表具有具体功能和空间属性的日常物品,复杂度最高。

特别值得一提的是,在物体类别中,研究还考虑了空间维度属性的差异:杯子和椅子通常被视为三维物体,而手表和剪刀则更强调二维平面轮廓。这种设计不仅涵盖了从抽象到具体的认知梯度,也系统性地考察了物体空间属性差异对神经活动的影响,能够更全面地刻画不同复杂度视觉想象的神经表征。


数据采集与处理:高规格与严谨性

数据采集遵循了严格的实验标准。每位参与者完成了两次独立的实验记录,每次记录均使用32通道、1000Hz采样率的无线脑电设备,确保了数据的高时空分辨率。实验在隔音隔光的环境中进行,以最大程度减少干扰。

在数据预处理方面,研究团队采用了当前主流的标准化流程。使用独立成分分析(ICA)自动识别并剔除了与眼动、肌肉活动等相关的伪迹信号,保留了纯净的“脑源性”成分。随后,数据被切割为与想象任务对应的4秒时间片段,并转换为广泛使用的BIDS(脑成像数据结构)格式,极大地便利了后续的共享与分析。


技术验证:展现卓越解码潜力

为验证该数据集的可解码性,研究团队采用了两种具有代表性的方法进行性能测试:传统的共空间模式(CSP)算法与专为脑电设计的轻量级卷积神经网络EEGNet

验证结果令人鼓舞。在动物和图形的想象任务分类中,EEGNet的平均准确率分别达到75.8% 和 **75.1%**,显著优于传统方法。即使在最复杂的物体想象任务上,准确率也达到了 62.0%更重要的是,两次实验记录间的解码性能差异很小(平均在2.5%以内),显示了该实验范式与数据集具有良好的时间稳定性和可靠性。

对错误分类模式的分析进一步增强了数据集的可信度。混淆并非随机发生,而是呈现出可解释的认知规律。例如,在动物想象中,“狗”与“鸟”更容易相互混淆;在物体想象中,“剪刀”可能与功能相似的物品产生混淆。这种系统性的错误模式与人类的认知特性相吻合,证实了数据集中所蕴含神经信号的认知相关性与真实性


价值与展望:开启未来研究新篇章

该数据集的发布,有效填补了VI-BCI领域在数据可及性与多样性方面的关键空白。其特点在于样本量相对较大、任务设计系统且具有认知梯度、数据质量高且完全公开。它不仅是开发与验证高级脑电解码算法(如深度学习模型)的理想测试平台,也为探索视觉想象的神经可塑性、跨被试泛化以及自适应解码策略等基础科学问题提供了宝贵资源。

我们相信,这一高质量数据集的开放共享,将吸引更多跨学科的研究者加入视觉想象脑机接口的探索,加速推动下一代“意念驱动”人机交互技术的成熟与应用落地。


数据集访问
该数据集已存储于Figshare平台,可通过以下链接公开获取与使用:https://doi.org/10.6084/m9.figshare.30227503

论文信息
Gao, J., Liu, Y., Li, Z. et al. An EEG Dataset for Visual Imagery-Based Brain-Computer Interface. Sci Data (2025).
https://doi.org/10.1038/s41597-025-06512-5


原文链接

https://mp.weixin.qq.com/s/VWOxKhjej8r8MeUFVYI2LQ