RSVP和SSVEP脑机接口任务中的多模态警觉(MMV)数据集

主要观点总结

中国科学院自动化研究所的神经计算与脑机交互团队和天津大学成功构建并发布了一个多模态警觉度数据集MMV，包含目标检索和光标控制两种脑机接口任务下的多模态数据。相关研究成果已发表于《Scientific Data》。该数据集可用于脑机接口任务中的警觉度评估技术研究，开发和验证新的算法和模型。

关键观点总结

关键观点1: 研究背景

警觉度是指个体能够持续维持对刺激长期注意力的能力。在需要持续注意的任务中，警觉度会存在不同水平的波动，导致任务效果下降。脑机接口任务中的警觉性评估对提升任务性能和系统可靠性至关重要。

关键观点2: 研究概述

研究团队设计了一个功能化聚苯胺基时序黏附水凝胶贴片，实现心脏的同步机械生理监测和电耦合治疗。同时，团队构建和发布了一个多模态警觉度数据集MMV，包含脑电、眼电、心电等七种生理信号。数据集用于评估在两种视觉BCI任务中的警觉度。

关键观点3: 数据集内容

MMV数据集包含基于快速序列视觉呈现的目标检索任务和基于稳态视觉诱发电位的光标控制任务。数据集中每项任务都同步采集了受试者的多种生理信号，并进行了不同层次的数据处理。

关键观点4: 实验结果

实验共招募了18名受试者，进行了四种不同时间长度的实验。根据警觉度的标签（PERCLOS），分别以0.35和0.5为阈值划分低警觉度和高警觉度。数据集还给出了单模态、多模态的警觉度评估基线方法的结果。

关键观点5: 研究意义

本研究通过创建MMV数据集，为脑机接口任务中的警觉性研究提供了数据资源。数据集涵盖了多种生理信号，为研究人员提供了丰富的数据资源，有助于推动对长时间保持注意力任务中个体生理和心理状态的理解，促进BCI技术的发展。