Scientific Data

一支法国与美国的研究团队公开了名为NETBCI的纵向多模态数据集，用于研究脑机接口训练过程中的脑网络重组。作者称，控制脑机接口至今仍是一项需要习得的技能，相当一部分使用者在多次训练后依然无法掌握，造成这种个体间差异的原因仍是开放问题。NETBCI收录19名健康受试者的脑磁图（MEG）与脑电图（EEG）记录，每人在4个不同日期完成4次实验。每次实验包含2段各3分钟的睁眼静息态记录，以及6轮脑机接口任务，受试者通过持续的右手运动想象或保持静息来控制虚拟光标的位置。数据集另含匿名化的磁共振影像与行为学评分。作者称，希望这套数据的样本量与模态数量能供研究者用于脑网络重组之外的更多分析。

研究者发布了一个面向儿童和青少年的稳态视觉诱发电位脑机接口数据集。

空军军医大学研究团队在《Scientific Data》发表了一项功能性近红外光谱（fNIRS）数据集，包含55名年轻成人在约2周内完成的三次色词Stroop任务会话的额叶血红蛋白响应，每个条件超过30个试次。该数据集可用于冲突抑制研究、神经反馈训练解码器构建及大规模跨被试fNIRS模型开发，为脑机接口认知状态解码提供了新的光学神经影像数据资源。

该研究发布了来自24名卒中患者的多范式纵向EEG数据集，涵盖新颖的“第六指”运动想象与患手运动想象范式。研究指出，单一运动想象范式与相关EEG数据集的缺乏可能限制卒中康复中的准确解读与有效应用；该数据集覆盖训练前、训练后与随访的完整纵向康复阶段，包含原始EEG数据、预处理数据与患者临床信息。初步分析使用CSP+SVM与CSP+LDA等经典机器学习算法，两种范式间的平均分类准确率保持在约85%-86%。作者预期，该数据集将促进MI-BCI范式与卒中神经可塑性研究，并有助于开发高效的卒中康复脑机接口系统。