RSVP 与 SSVEP 脑机接口任务中的多模态警觉性（MMV）数据集

基于摘要分析。该研究关注 BCI 任务期间持续注意能力所对应的警觉性估计，介绍了 MultiModal Vigilance（MMV）数据集，核心贡献是在两类 BCI 任务中采集多模态生理信号，并提供不同处理阶段的数据供研究复用。 作者报告，MMV 包含 18 名被试、四个会话的七种生理信号：EEG、眼电（EOG）、心电（ECG）、光电容积描记（PPG）、皮肤电活动（EDA）、肌电（EMG）及眼动。两类采集任务分别为基于快速序列视觉呈现（RSVP）的目标图像检索，以及基于 SSVEP 的光标控制。摘要未说明四个会话在两类任务间的具体分配，也未给出会话时长、采样率及各模态的时间同步方式。 数据提供原始数据、预处理数据、试次数据和特征数据四种阶段产物，其中作者称特征数据可直接用于警觉性估计。这种组织方式有助于分别考察预处理、特征构建与估计方法，但具体预处理流程、试次切分规则、特征定义及警觉性标签的来源与时间分辨率尚未验证。 摘要未提供警觉性估计的基线模型、数据划分、评价指标或定量结果，因此不能据此判断单模态与多模态方法的性能差异，或跨被试、跨会话及跨任务的泛化能力。复用前需核对标签构建、缺失信号处理、数据访问条件，以及划分是否符合目标评估场景；实验协议、消融及统计信息尚未验证。作者关于促进警觉性研究和灵活复用的表述属于数据集预期价值，不等同于已验证的 BCI 性能提升。