本研究通过对开放式脑机接口（BCI）的广泛再现性分析，旨在评估现有解决方案并建立可比性强的开放和可复制的基准，以便有效地比较该领域内的不同方法。研究结果表明，在各种 BCI 范式中，利用空间协方差矩阵的 Riemannian 方法显示出卓越的性能，强调了数据量的重要性，以达到与深度学习技术具有竞争力的结果。该研究的意义在于为 BCI 研究建立了严格和透明的基准，提供了最佳方法的见解，并强调了推动该领域发展所需的再现性的重要性。

Apr, 2024

使用多模态数据构建最大的动作捕捉数据集 BEAT，探究人体动作相关性以及语义相关性建立基于 CaMN 的愉悦对话姿态综合模型，并且提出了语义相关性手势回溯指标 SRGR。

Mar, 2022

通过脑活动识别和重建我们所看到的内容，可以深入研究生物视觉系统如何代表世界。本文介绍了 EEG-ImageNet，一个包括从 16 名受试者记录的来自 ImageNet 数据集中的 4000 个图像的新颖 EEG 数据集，该数据集为目标分类和图像重建建立了基准。实验结果表明该数据集有助于推动基于脑电图的视觉脑 - 计算机界面，理解生物系统的视觉知觉，并在改进机器视觉模型方面有潜在应用。

Jun, 2024

介绍了一个类似于 MNIST 的大规模医学图像数据集 MedMNIST v2，包括 12 个 2D 数据集和 6 个 3D 数据集，经过预处理的图像大小为 28x28 或 28x28x28，支持多种数据集规模和任务，并提供了基准方法 （2D/3D 神经网络和开源 / 商业 AutoML 工具）进行分类任务。可用于医学图像分析，计算机视觉和机器学习等领域的研究和教育目的。

Oct, 2021

介绍了一个基于真实世界测量的混合多模式感知和通信数据的大规模数据集 ——DeepSense 6G 数据集。该数据集旨在推动在多模式感知、通信和定位交叉领域的深度学习研究，并提供了详细的数据集结构、测试床、数据采集和处理方法、部署场景和示例应用的概述，以促进多模式感知和通信数据集的采用和可重复性。

Nov, 2022

本文探讨了在高分辨率，多通道 EEG 数据中，采用各种表示方法和机器学习算法进行癫痫检测的可行性，通过研究分类精度、计算复杂度和内存需求了解哪些方法最适合处理大规模数据。特别是指出，堆叠学习方法，如深度置信网络，在这些方面表现出色。

Aug, 2017

我们提供了一个专门用于脑电图到图像解码的数据集，其中包括了从 8 名参与者观看了每个 10000 个自然图像的神经反应的数据。该数据集共收集了 46080 个脑电图回应记录，旨在提高信号质量，并提供数据质量得分以保证透明度。

Apr, 2024

该研究使用深度迁移学习开发了一种无需校准、面向不同个体的 MI-BCI 分类器，通过对原始 EEG 信号采用端到端的深度学习方法进行处理，并使用开放数据集进行训练和比较了三种深度学习模型，结果显示不同模型的性能有显著差异。

Jul, 2023

本文介绍了一份多年的被动监测数据集，用于支持进行跨数据集评估行为建模算法的泛化性能，并提供 18 种算法在抑郁症检测任务上的基准结果。结果表明，先前的抑郁症检测算法和领域泛化技术都有潜力但需要进一步研究才能实现充分的跨数据集泛化能力。

Nov, 2022

为了促进人工智能系统推断人类意图的能力的发展和评估，我们推出了一个基于物体 - 语境关系的大规模多模态视频数据集，用于意图预测，旨在实现在协作环境中具有有效和高效的人机交互。

Mar, 2023