⚡ electrical engineering

WearBCI Dataset: Understanding and Benchmarking Real-World Wearable Brain-Computer Interfaces Signals

本文介绍了 WearBCI 数据集，这是首个通过同步采集脑电、惯性测量和第一人称视频数据，在多样化运动场景下评估可穿戴脑机接口信号质量并系统基准测试运动伪影影响的多模态数据集。

原作者： Haoxian Liu, Hengle Jiang, Lanxuan Hong, Xiaomin Ouyang

发布于 2026-04-14

📖 1 分钟阅读☕ 轻松阅读

原作者： Haoxian Liu, Hengle Jiang, Lanxuan Hong, Xiaomin Ouyang

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文介绍了一个名为 WearBCI 的新数据集，它的核心目的是解决一个非常现实的问题：当我们动起来时，戴在头上的“读脑”设备（可穿戴脑机接口）为什么会“发疯”？

为了让你轻松理解，我们可以把这项研究想象成给“读脑耳机”做一次全方位的“抗干扰特训”。

1. 背景：为什么现在的“读脑耳机”不好用？

想象一下，传统的脑机接口（BCI）就像是在录音棚里给歌手录音。环境安静，麦克风（电极）固定得死死的，录出来的声音（脑电波）非常清晰。

但是，现在的可穿戴设备（比如智能头环）想让我们在大街上、在家里也能用。这就好比让歌手一边跳舞、一边跑步、一边和人聊天，同时还要用麦克风录音。

问题所在：当你走路、转头、甚至眨眼时，肌肉会收缩，电极会轻微移位。这些动作产生的“噪音”（运动伪影）会像巨大的雷声一样，盖过歌手微弱的歌声（大脑信号）。
现状：以前的数据集大多是在“录音棚”（静止状态）里收集的，没法告诉我们怎么在“跳舞”（运动状态）下把噪音去掉。

2. 解决方案：WearBCI 数据集——一场“极限挑战”

为了解决这个问题，研究团队（来自香港科技大学）招募了 36 位志愿者，给他们戴上特制的脑电头环，并让他们完成一系列“动作挑战”。

这就好比给这些“读脑耳机”安排了一场特种兵训练：

第一关：静止不动（坐着发呆，作为基准线）。
第二关：肢体动作（摇头、点头、眨眼、伸懒腰、打字）。
第三关：走路（慢走、快走、竞走）。
第四关：真实导航（在房间里开门、打招呼、躲障碍物、看海报、敲门）。

最酷的地方在于“多感官同步记录”：
除了记录大脑信号（EEG），他们还同时记录了：

动作传感器（IMU）：就像给身体装了“运动相机”，记录你晃动了多少。
第一视角视频：就像给参与者戴了 GoPro，记录他们看到了什么。

这就好比： 以前我们只听歌手唱歌（脑电波），现在我们还同时录下了歌手跳舞的动作（IMU）和现场的环境（视频）。这样我们就能分析出：“哦，原来刚才那段噪音是因为他抬起了手，而不是他在思考！”

3. 核心发现：噪音是如何“捣乱”的？

研究团队分析了这些数据，发现了一些有趣的规律：

动静越大，噪音越响：当你只是轻轻摇头时，脑电波还能听清；但当你快速走路或躲避障碍物时，脑电波就像被雷暴覆盖了一样，完全乱了套。
不同动作，不同“污染区”：
- 伸手臂主要干扰头顶后部。
- 敲门主要干扰前额。
- 走路则会让整个大脑的信号都“抖动”。
现有技术的“翻车”现场：
- 传统方法（像老式的降噪耳机）：在静止时很好用，但一旦你开始剧烈运动，它们就失效了，甚至会把大脑信号误当成噪音删掉。
- AI 深度学习方法（像最新的智能降噪）：能把噪音压得很低，但有时候太“用力”了，把歌手微弱的歌声（真实的脑信号）也一起删掉了，导致“过度清洁”。

4. 两个精彩的“新玩法”（案例研究）

这个数据集不仅用来测试，还展示了未来的新应用：

玩法一：用“动作”来辅助“读脑”
- 比喻：既然我们知道“摇头”会产生噪音，那如果我们把摇头的动作数据（IMU）喂给 AI，AI 就能像聪明的调音师一样，专门把“摇头产生的噪音”从脑电波里精准剔除，保留大脑的声音。
- 结果：这种“多模态”方法比单纯用脑电波去噪效果好得多。
玩法二：全方位理解人类行为
- 比喻：以前我们只能猜一个人在想什么（脑电波），或者看他在做什么（视频）。现在，把大脑（想什么）+ 身体（做什么）+ 眼睛（看什么） 结合起来，就能像读心术大师一样，精准描述一个人的状态。
- 例子：系统不仅能说“他在走路”，还能说“他在走廊里（场景），正在躲避障碍物（动作），并且处于高度专注的规划状态（认知）”。

5. 总结：这对我们意味着什么？

这篇论文就像是为未来的可穿戴脑机接口建立了一个**“标准考场”**。

以前：设备只能在实验室里用，一出实验室就“罢工”。
现在：有了 WearBCI，科学家们可以拿着这个数据集，像练级一样，训练出更聪明的 AI 算法。
未来愿景：想象一下，未来你可以戴着一个轻便的头环，在跑步、开车、甚至遛狗的时候，它依然能精准地读懂你的注意力、情绪，甚至帮你控制轮椅或进行康复训练。

简单来说，WearBCI 就是让“读脑技术”从“温室花朵”变成“野外生存专家”的关键一步。

这是一份关于论文《WearBCI Dataset: Understanding and Benchmarking Real-World Wearable Brain-Computer Interfaces Signals》（WearBCI 数据集：理解与基准测试真实世界可穿戴脑机接口信号）的详细技术总结。

1. 研究背景与问题 (Problem)

背景：基于脑电图（EEG）的脑机接口（BCI）在医疗诊断、神经康复和人机交互领域具有巨大潜力。可穿戴 BCI 系统因其非侵入性和便携性，被视为实现日常应用的关键。
核心挑战：
- 运动伪影（Motion Artifacts）：可穿戴设备在真实世界（如行走、导航）中极易受到运动干扰。面部和头皮肌肉产生的肌电（EMG）信号与神经活动重叠，身体运动导致电极移位、接触阻抗增加及电压跳变，严重降低信号质量。
- 数据缺失：现有的可穿戴 BCI 数据集大多是在静止或受控实验室环境下收集的，缺乏对复杂运动动态（如行走、导航）下信号质量变化的系统性评估，且缺乏同步的多模态数据（如惯性测量单元 IMU、第一人称视频）来辅助分析。
目标：填补这一空白，提供一个能够全面评估运动对可穿戴 EEG 信号影响，并支持去噪算法基准测试和跨模态应用研究的数据集。

2. 方法论与数据集构建 (Methodology)

作者提出了 WearBCI，这是首个包含同步多模态记录（EEG、IMU、第一人称视频）的可穿戴 BCI 数据集，专门用于评估不同运动动态下的信号质量。

2.1 实验设置

参与者：36 名健康成年人（18-26 岁）。
硬件设备：
- EEG：OpenBCI Cyton 板，8 个干电极（Fp1, Fp2, P7, P8, T3, T4, O1, O2），采样率 250 Hz。
- IMU：5 个惯性测量单元（放置在头部、手腕、脚踝），采样率 100 Hz，用于捕捉运动伪影。
- 视频：第一人称（Egocentric）视频，30 FPS，仅在导航任务中录制。
同步机制：所有数据流通过 NTP 协议和 Unix 时间戳进行同步。

2.2 实验协议（三种运动强度层级）

静态基线 (Static)：坐姿，睁眼/闭眼任务，作为生理参考。
身体运动 (Body Movements)：5 种代表性动作（摇头、点头、眼球运动、手臂伸展、打字），每种动作包含基线 - 运动 - 后运动循环，用于分析局部运动对特定脑区的影响。
行走 (Walking)：以 2、3、4 km/h 三种速度行走，评估步态强度对信号的影响。
自然导航 (Navigation)：在室内环境中执行预设路线（开门、打招呼、避障、走廊行走、看海报、敲门），模拟真实交互场景，包含复杂的认知和运动任务。

2.3 数据分析与基准测试

信号分析：使用时域特征、功率谱密度（PSD）和拓扑图分析运动对信号的影响。
去噪算法基准测试：评估了 6 种代表性方法：
- 传统方法：独立成分分析 (ICA)、经验模态分解 (EMD)、伪影子空间重构 (ASR)。
- 深度学习方法：基于 GAN 的 GCTNet、基于 Transformer 的 EEGDNet、基于扩散模型的 EEGDfus。
评估指标：加权 PSD 距离 ( $D_{PSD}$ )、Alpha 峰一致性 ( $D_{\alpha}$ )、EMG 指数、脑源 IC 比率 (Brain IC Ratio)。

3. 主要贡献 (Key Contributions)

首个多模态可穿戴 BCI 数据集：包含 36 名受试者在不同运动动态（身体运动、行走、导航）下的同步 EEG、IMU 和第一人称视频数据，总计约 17 小时 EEG 数据。
系统性基准测试：首次系统评估了各种运动伪影对 EEG 信号的影响，并 benchmark 了传统和深度学习去噪方法在真实运动场景下的表现。
新应用案例研究：
- 跨模态信号增强：利用 IMU 数据辅助 EEG 去噪。
- 多维行为理解：结合多模态数据和大语言模型（LLM）进行人类行为分析。

4. 关键结果 (Results)

4.1 运动对信号的影响

相关性：IMU 信号的变化（加速度/角速度）与 EEG 信号的波动高度相关。运动强度增加导致 EEG 时域波动增大和宽带频谱抬升。
区域特异性：不同动作影响不同的脑区。例如，手臂伸展主要影响顶叶和颞叶，敲门影响额叶和枕叶，而行走则导致全脑区域的广泛信号抬升。
场景差异：在导航任务中，突发行为（如避障、打招呼）比平滑动作（如行走）引入更严重的信号失真。

4.2 去噪算法性能

传统方法失效：ICA、EMD 和 ASR 在运动强度增加时性能急剧下降。例如，ICA 的频谱失真 ( $D_{PSD}$ ) 从身体运动时的 16.1 激增至导航时的 50.6。
深度学习的权衡：深度学习模型（GCTNet, EEGDNet, EEGDfus）在降低频谱失真方面表现优异（ $D_{PSD} \approx 9.0$ ），但存在**过度清洗（Over-cleaning）**问题，导致保留的神经信号成分（Brain IC Ratio）显著降低（< 0.35），可能误删了真实的神经信号。
跨模态增强效果：提出的基于线性回归的 IMU 辅助去噪方法，在导航场景下将 $D_{PSD}$ 降低至 10.8，同时保持了较高的神经成分保留率（0.52），优于传统方法。

4.3 行为理解案例

利用多模态数据（EEG+IMU+ 视频）结合 LLM 进行语义对齐。
单模态局限：视频在场景识别上表现最好，IMU 擅长动作识别，EEG 擅长认知状态识别。
融合优势：通过优化融合策略（Optimized Fusion），整体语义对齐分数（BERTScore）从单模态的 0.38-0.62 提升至 0.86，证明了多模态融合能有效补偿可穿戴 EEG 空间覆盖不足的缺陷。

5. 意义与展望 (Significance)

推动真实世界部署：WearBCI 为开发抗运动干扰的可穿戴 BCI 系统提供了关键的基准测试资源，揭示了现有算法在复杂动态环境下的局限性。
指导算法设计：研究表明，简单的线性统计方法难以应对非平稳运动，而纯深度学习模型需警惕过度清洗。未来的方向应结合多模态信息（如 IMU）进行更精细的、区域感知的去噪。
应用拓展：该数据集支持了从单纯的信号处理到复杂的人类行为理解（认知、动作、场景）的跨越，为阿尔茨海默病干预、个性化神经反馈等应用提供了新的数据基础。
未来工作：建议未来研究扩展至非受控的户外环境及更多样化的人群，以进一步提高生态效度。

总结：WearBCI 数据集不仅揭示了运动伪影对可穿戴 EEG 的严重破坏作用，还通过基准测试和案例研究证明了多模态融合是解决这一问题的关键路径，为下一代鲁棒的可穿戴 BCI 系统研发奠定了重要基础。