ALS 患者和健康人使用基于眼动追踪的拼写系统时的脑电图和眼动追踪数据集

肌萎缩侧索硬化症（ALS）是一种渐进性神经退行性疾病，导致瘫痪并严重影响晚期患者的沟通能力。当患者意识清晰但运动功能受限时，称为闭锁状态（LIS）。对于LIS患者，基于眼动追踪的增强和辅助交流（AAC）技术是目前最有效的沟通方式。研究表明，眼控屏幕键盘是帮助LIS患者沟通、表达的最佳方法，因为他们仍保留认知能力且对眼球的控制能力相对完整。AAC系统中的眼动追踪技术通过检测用户的注视方向，使他们能够选择屏幕上的字母、单词或符号。基于这一方法，研究中开发了一种眼动追踪拼写通信系统，旨在支持越南的言语运动功能受损者，特别是ALS患者。

本研究收集了来自六名不同发展阶段的肌萎缩侧索硬化症（ALS）患者和一百七十名健康个体的脑电图和眼动追踪数据。尽管患者存在身体障碍，但其眼部功能良好，能够通过虚拟键盘交流。ALS患者数据于其家中进行多次记录，而健康个体则在实验室中进行一次记录。每个参与者包含九个反映常见人类行为或需求的记录会话。该数据集为脑机接口拼写系统改进、运动想象力研究、运动皮层功能探索、运动障碍监测及ALS对认知与运动影响的研究提供了重要基准。

方法参与者

实验中参与者均为自愿参与，且由研究团队医生评估。参与者需满足特定标准：非ALS患者需具有正常活动能力且无神经、心理或语言障碍史；ALS患者需具备良好的眼动功能以使用眼动追踪拼写系统。本研究涉及六名ALS患者和170名健康个体，健康参与者年龄在19至70岁之间，均无相关病史。在ALS患者中，四名LIS患者的功能评定量表修订版（ALSFRS-R）得分为0，另外两名得分为1。参与者仅以“id001”至“id170”及“ALS01”至“ALS06”识别。

拼写交流系统

研究中采用的拼写交流系统是一种辅助交流（AAC）工具，旨在帮助越南的言语运动功能受损者，尤其是ALS患者，通过目光输入文本信息与他人沟通。该系统如图1所示，由眼动追踪设备（b）、显示屏键盘界面（c）和计算机处理器及扬声器（d）组成。用户坐在椅子或专用躺椅上，注视距眼睛约80厘米的显示器。眼动追踪设备通常由一至两个摄像头组成，实时跟踪用户的眼球运动并提供注视位置。系统分析该信息，识别用户希望选择的屏幕键盘特定键。键盘布局为越南语设计，具备快速输入建议机制，并能将输入文本转换为语音，通过扬声器播放。

图1 基于眼动追踪的拼写交流系统

实验范式

受试者在EEG/ET数据采集前需按照校准指示进行眼球运动，并由实验者协助佩戴EEG设备。在数据采集过程中，受试者参与9个环节，每个环节对应一个特定场景。场景1至7中，受试者需执行三类任务：首先闭眼想象场景相关运动或需求5至7秒（任务i）；然后睁眼进行三个连续动作（任务ii）；最后利用眼动追踪拼写交流系统输入相关越南语句子（任务iii）。在这七个场景中，任务i和ii交替进行三次。ALS患者根据自身功能限制尽力完成动作，无法执行时会选择放弃。场景8和9中，参与者仅执行任务i三次，未进行任务ii。每个任务前设有5秒的休息间隔。

数据采集系统

数据采集系统采用运行于Core i7计算机上的自研记录器软件，能够同时记录EEG和ET数据，并在使用拼写通信系统时捕获ET数据。EEG和ET数据通过LSL协议进行同步收集，简化时间序列测量的整合。记录器软件还可直接注释EEG信号中的实验事件。EEG数据使用Emotiv EPOC Flex22设备采集，该设备配备32个电极，按国际标准10-2023安装，采样频率为128Hz，采用盐水传感器以确保参与者舒适且不影响信号质量。图2展示了电极位置，蓝色圆圈表示32个电极的安装位置，黑色圆圈用于参考电极。ET数据则通过Tobii Eye Tracker 524采集，采样频率为30Hz。

图2 脑电图电极放置遵循10-10原则

数据记录

下文为原始数据文件夹和使用说明。

EEGET-ALS数据集可在指定网址获取。该数据集包含176名参与者的9个记录会话数据，每个会话对应一个实验场景，持续约2分钟。每个会话包括具有7个步骤的事件，并在每一步之间设有约5秒的短暂休息，以减少参与者的疲劳。每位参与者的数据存储在独立子文件夹中，包含年龄、性别信息及不同实验场景的数据文件夹（如场景1、场景2等）。每个场景的数据文件夹包含：• 元文件（scenario.json、info.json），提供样本附加信息；scenario.json描述记录场景，info.json提供参与者信息（性别、年龄等）；• EDF格式的EEG数据（EEG.edf）。

EEG.edf文件包含32个通道的信号，采用欧洲数据格式（EDF）存储。每个EEG文件对应特定实验场景，包含多个事件，用户可通过Python的MNE库提取。这些事件与参与者执行的任务相关，如实验范式部分所述。图3展示了不同会话的数据示例，底部栏为信号记录时间线，当前信号以灰色突出显示。ET.csv文件包含五个数据字段，数据以行形式存储。

图3 使用 MNE 工具预览 EEG.edf 文件中的数据

潜在应用

本研究利用 EEGET-ALS 数据集探讨注意力程度与人员识别的潜在应用。研究人员通过眼动跟踪 (ET) 数据标记EEG数据，区分注意力集中（正标记）与不集中（负标记）的样本，提取功率谱密度 (PSD) 和常见空间模式 (CSP) 特征，采用支持向量机 (SVM) 和人工神经网络 (ANN) 进行分类，交叉检查中准确率约为 80%。在人员识别方面，使用四种模型（SVM、卷积神经网络 (CNN)、长短期记忆-卷积神经网络(CNN-LSTM)）进行测试，结果表明这些方法在该数据集上表现良好。

此外，在运动运动想象 (MI) 的分类方面，通过经典算法（CSP 和欧几里得对齐）与机器学习方法（SVM、EEG-ITNet、EEGNet）对EEG 信号进行分析。MI 分类的目标是提高残疾人士的生活质量及理解大脑功能。模型基于健康与 ALS 参与者的数据进行训练与测试，评估指标包括平衡准确度 (BAC) 和 Cohen 的 Kappa。实验结果表明，采用深度模型进行人员识别和 MI 分类具有良好的性能，为脑机接口和辅助技术的发展提供了支持。

仅用于学术分享，若侵权请留言，即时删侵！

欢迎加入脑机接口社区交流群，

探讨脑机接口领域话题，实时跟踪脑机接口前沿。

加微信群：

添加微信:RoseBCI【备注：姓名+行业/专业】。

欢迎来稿

1.欢迎来稿。投稿咨询，请联系微信：RoseBCI

点击投稿：

2.加入社区成为兼职创作者，请联系微信：RoseBCI

一键三连「分享」、「点赞」和「在看」

不错过每一条脑机前沿进展