跳到正文

研究类型与证据

数据集/基准 最新动态

数据集/基准 类型索引，不代表质量等级。

83 条精选近 30 天 25 条共收录 99 条

更新

精选归档 · 第 5 页

10月21日周三第 81–83 条
  1. OpenReview · EEG75

    眼睛知道真相

    基于摘要分析。研究以人类对 deepfake 视频的视觉感知与真伪辨别为主要对象，提出眼动数据库 FakeET，用于分析观看者识别合成视频伪影的能力，并提供 EEG 响应数据；其核心贡献是感知研究数据资源，而非已验证的 BCI 解码方法。 数据采集方面，FakeET 使用 Tobii 桌面眼动仪记录 40 名用户观看 Google Deepfake dataset 中 811 个视频的观看模式，每个视频至少被观看两次；此外还包含通过 Emotiv 传感器采集的 EEG 响应。摘要未明确 EEG 采集覆盖的用户与视频范围，也未说明眼动与 EEG 是否同步采集，相关条件尚未验证。 作者报告，真实与伪造视频引发不同的眼动特征，眼动显著性图可用于空间伪造定位与检测；作者还报告 EEG 响应中出现 Error Related Negativity（ERN，错误相关负波），且原始 EEG 信号能够区分真实与伪造视频。摘要未给出分类指标、对照基线、数据划分或被试内／跨被试评估背景，因此不能据此判断效应大小、个体泛化能力或与其他方法的优劣。 复现时需核对 ERN 的事件定义与时间锁定依据、EEG 预处理及伪迹控制、眼动显著性图的构建方式，以及训练测试是否隔离观看者与视频身份。数据库开放范围、任务标签、实验协议、消融及统计信息尚未验证。现有材料支持其作为 deepfake 感知与神经响应研究资源的阅读价值，但不构成实时 BCI 应用有效性的证据。

    阅读价值：FakeET 将 deepfake 视频观看行为与 EEG 响应纳入同一数据库，值得核对其眼动伪造定位价值及 ERN 相关证据，但摘要不足以确认 EEG 区分能力的评估协议与泛化性。

1月1日周二
  1. OpenReview · EEG73

    MAD-EEG：用于解码多声部音乐中目标乐器听觉注意的 EEG 数据集

    基于摘要分析。该研究针对多声部音乐中目标乐器的 EEG 听觉注意解码问题，提出公开可用的 MAD-EEG 数据集，为单试次注意解码及其他 EEG 音乐分析任务提供研究材料。 数据与任务：摘要所述数据包含 8 名被试的 20 通道 EEG；被试听独奏、二重奏和三重奏音乐片段，并注意一个预先指定的乐器。刺激通过扬声器而非耳机播放，设计涵盖混合中乐器的数量与类型、空间呈现、音乐风格和旋律变化。其核心研究对象是音乐聆听中的选择性听觉注意，而不是运动想象或通用 EEG 分类。 初步验证：作者使用一种常用于语音刺激的先进刺激重建算法，从 EEG 响应重建音频表征，并比较重建表征与被注意及未被注意声源表征的相关性。作者报告，在该初步音乐实验中，重建表征与被注意声源的相关性更高；摘要未给出具体相关系数、解码 Accuracy、数据划分或统计检验，因此不能据此量化单试次、跨被试或跨会话性能。作者将该结果解释为数据集适用于相关注意解码研究。 阅读与复现重点：需核对音频表征及重建算法的具体定义、刺激与 EEG 的时间对齐、参考与预处理方式、试次数与时长，以及训练测试划分是否区分音乐片段和被试。摘要称数据免费公开，但数据文件、访问条件、配套实现及完整实验协议尚未验证；消融及统计信息也尚未验证。扬声器呈现及多种刺激变化是该数据集的重要场景特征，但它们对解码性能的独立影响仍需依据全文与数据确认。

    阅读价值：该数据集将 EEG 听觉注意解码扩展到扬声器播放的多声部音乐，并提供目标乐器注意任务，值得用于核对语音刺激重建方法在音乐场景中的适用性，但摘要中的初步相关性结果尚不足以确定单试次解码性能。

7月1日周三
  1. OpenReview · EEG79

    DECAF

    基于摘要分析。DECAF 是面向情感多媒体刺激下用户生理反应解码的多模态数据集，主要研究对象是情绪识别，而非 BCI 控制任务。其贡献是整合 MEG、外周生理信号、面部视频与情绪标注，为单试次情绪分类和动态情绪预测提供数据基础。 数据与采集：摘要描述了 30 名参与者对 40 段各一分钟的音乐视频及 36 段电影片段的显式与隐式情绪反应；音乐视频刺激来自 DEAP 所使用的材料。除 MEG 外，DECAF 还包含同步记录的近红外（NIR）面部视频、水平眼电（hEOG）、心电（ECG）及斜方肌肌电（tEMG）。作者将 MEG 对头皮所需物理接触较少视为有利于自然情绪反应的采集特点，但摘要未提供这一优势的直接验证结果。 评估与贡献：作者报告分析了参与者自评与生理反应之间的相关性，并进行了 valence（效价）、arousal（唤醒度）和 dominance（支配度）的单试次分类，同时与现有数据集进行性能评估。摘要未给出具体指标、分数或分类方法，因此不能据此判断性能优劣。电影片段另有来自七名用户的时间连续情绪标注，作者使用这些标注展示动态情绪预测。 比较与复现边界：作者指出，该数据集可支持 EEG 与 MEG 模态以及电影与音乐刺激的比较；这不等于 DECAF 同步采集了 EEG 与 MEG，也不代表跨数据集差异已得到控制。复现时需核对数据获取条件、信号预处理、标注对齐、训练与测试划分，以及比较中的刺激和被试差异。被试内、跨被试或跨数据集的具体评估协议、消融及统计信息尚未验证。

    阅读价值：DECAF 提供同步 MEG、多种外周生理信号及情绪标注，值得用于考察多模态情绪识别和动态情绪预测，但 EEG 与 MEG 的比较协议及具体性能仍需核对全文。