编辑推荐：
为评估消费级脑电(EEG)设备的信号质量，研究人员开展了一项对比研究，采集了30名受试者使用四款消费级设备（BrainLink Pro, NeuroNicle FX2, MindWave Mobile 2, Muse 2）与一款科研级设备（DSI-24）完成眨眼、咬牙、睁眼/闭眼头部运动等范式时的脑电数据。该开源数据集可用于验证设备信号质量、评估α频带等神经特征、检验对运动伪影的鲁棒性，为相关领域研究提供了重要的基准资源。
随着脑机接口(BCI)和神经工程技术的普及，消费级脑电图(EEG)设备因其价格低廉、使用便捷而受到广泛关注，从专注力训练到简易的脑控应用，它们正走入日常生活。然而，一个核心问题始终悬而未决：这些“亲民”的消费级设备，其信号质量究竟如何？能否用于严肃的科学研究？与动辄数十通道、价格高昂的专业科研级EEG系统相比，它们在捕捉微弱的脑电信号、抵抗日常活动产生的运动伪影方面，表现有多大差距？目前，业界缺乏一个公开、系统的基准数据集来客观地回答这些问题，这阻碍了消费级EEG设备的科学评估与应用边界拓展。
为此，一项题为“EEG dataset of consumer- and research-grade systems”的研究在《Scientific Data》上发表，旨在填补这一空白。研究者们开展了一项系统的数据采集工作，核心目标是创建一个开源数据集，以便对消费级与科研级EEG设备进行头对头比较。研究团队招募了30名参与者，让他们同时佩戴多种设备进行测试。设备阵容包括四款消费级EEG头戴设备：BrainLink Pro、NeuroNicle FX2、MindWave Mobile 2和Muse 2（其中前两者为单通道设备），以及一款作为“金标准”参照的科研级设备：DSI-24。每名参与者需要完成一系列精心设计的实验范式，这些范式模拟了可能产生信号干扰的常见生理与运动状态，包括：自主眨眼、用力咬牙、睁眼状态下的头部运动，以及闭眼状态下的头部运动。尤为重要的是，在每个任务开始前和结束后，都记录了静息状态的脑电数据，这为分析任务引起的脑电变化提供了基线。
为了构建这个数据集，研究人员主要运用了多设备同步脑电数据采集技术，确保来自不同设备的信号在时间上精确对齐。他们设计了包含静息态与多种诱发任务（眨眼、咬牙、头部运动）的实验范式，以系统地考察信号在不同生理状态下的特性。数据处理与分析流程则侧重于信号质量比对、特定神经振荡（如α频带）的特征提取，以及对运动引起的伪影的鲁棒性评估。所有数据来源于30名健康参与者构成的样本队列。
研究结果
1. 多设备同步数据集的构建
研究成功采集并公开了一个包含30名受试者、多设备同步记录的脑电数据集。数据涵盖了四种明确的实验条件（眨眼、咬牙、睁眼头动、闭眼头动）及其前后的静息态，为多角度评估设备性能提供了丰富素材。
2. 设备信号质量的可视化与初步比较
通过原始信号波形、频谱分析等手段，能够直观展示不同设备记录到的脑电活动差异。例如，科研级设备DSI-24通常能显示出更清晰、噪声更低的典型脑电节律（如闭眼静息时的α波），而部分消费级设备在相同条件下记录到的信号可能包含更多高频噪声或工频干扰。
3. 神经特征提取与评估
研究特别关注了α频带（8-13 Hz）的脑电活动，这是静息态脑电的一个重要特征。分析表明，在闭眼静息条件下，科研级设备能更稳定地检测到位于枕叶区域的α波能量增强。而消费级设备，尤其是单通道设备，由于电极位置和数量的限制，在捕捉此类具有空间特异性的神经振荡时，其准确性和可靠性面临挑战。
4. 对运动伪影的鲁棒性分析
在眨眼、咬牙和头部运动等任务中，所有设备记录到的信号都不可避免地引入了运动伪影。然而，不同设备对这些伪影的敏感程度和伪影在信号中的表现形式存在差异。科研级设备通常具备更优的硬件设计和更多数量的电极，可能有助于通过后续处理（如独立成分分析）更好地识别和去除伪影。消费级设备，特别是信号通道数少的设备，其信号更容易被大幅度的运动伪影完全淹没，分离神经信号与伪影的难度更大。
结论与讨论
该研究创建并开源了一个用于直接比较消费级与科研级脑电(EEG)设备性能的基准数据集。通过系统性的实验设计，该数据集使得定量评估这些设备在信号保真度、特定神经特征（如α波）检测能力、以及对常见运动伪影的鲁棒性成为可能。研究虽然没有在论文中给出一个断然的“胜负”结论，但其提供的原始数据为后续深入的量化分析奠定了基石。例如，未来研究可以基于此数据集，计算各设备记录信号的信噪比(SNR)、不同频带功率的相关性、以及应用标准预处理流程后有用信息的保留程度等客观指标。
这项工作的重要意义在于，它为消费级EEG设备的科学应用设立了一个透明的评估框架。对于学术界，该数据集节省了昂贵且耗时的数据采集成本，使研究人员能够快速验证算法在新设备信号上的适用性。对于产业界，它提供了设备性能对比的客观参照，有助于推动消费级EEG硬件的性能改进与标准化。更广泛地说，该研究回应了神经技术平民化浪潮中的核心质询——我们能在多大程度上信任这些便捷设备所提供的数据？此开源数据集将成为寻求答案的关键资源，促进脑电技术在科研与普及应用两个方向上的健康发展。
