BCI Competition 2008 - Graz data set B（中文翻譯）
R. Leeb 1 , C. Brunner 1 , G. R. M uller-Putz 1 , A.Schlogl 2 , and G.Pfurtscheller 1
1 Institute for Knowledge Discovery, GrazUniversity of Technology,Austria
2 Institute for Human-Computer Interfaces, GrazUniversity of Technology, Austria
實驗正規化
每一段包含一些組（run），如圖1.在每一段的開始，都要記錄大約5分鐘資料，來評估眼電EOG的影響。這五分鐘被分為三個部分，（1）兩分鐘睜眼（注視螢幕上固定的“+”號），（2）一分鐘閉眼，（3）一分鐘眼動。偽跡模組（artifact block）被分為四個部分，（15秒的偽跡時間隨後有5秒休息時間），同時被試者遵照螢幕上的指導，執行眨眼、轉動眼球、上下或者左右轉動眼球。在開始有低音的提示音，在結束有高音的提示音。注意，由於技術原因在B0102T和B0504E段沒有記錄眼電。
資料收錄
三個電極記錄（C3、Cz和C4）的腦電訊號，取樣頻率為250Hz。記錄的腦電資料包括螢幕動態範圍為+-100uV和反饋段的動態範圍+-50uV。數字訊號通過0.5-100Hz的帶通濾波，50Hz時提供陷波濾波器。電極在各個被試的頭部位置會略有不同（距離的大小，或前或後，更多的細節參見[1]）。電極在Fz的位置設定為EEG接地。
除了EEG的通道，用三個電極收錄眼電資料（如圖2，左邊電極作為參考量），眼電和EEG使用相同的放大器。動態範圍設在+-1mV。眼電在執行想象之後進行偽跡處理操作，並不必要進行分類。
螢幕顯示範式(參見圖3a)包括兩類，一種是左手(類別1)運動想像，一種右手（類別2）運動想象。每一個被試在兩週內的不同天,在不記錄反饋的情況下，參加了兩期（session）只有螢幕顯示的測試。每一會期包括6組（run），一組包含10條（trial），兩類動作想象。一共可以獲得每組20條（trail）資料，一期共有120條資料。總的來說，可獲得每一個人每一個動作影象類別的120次重複的資料。在首個運動想象訓練之前，被試執行和想象不同的身體部位的動作，選擇想象效果最好的動作（比如壓一個球或者拉閘）。
每一實驗從固定的“+”開始，加短期聲音提醒發音（1KHz，70ms）。若干秒後，一個視覺線索（一個箭頭，向左或向右，依照需要的類別）呈現1.25秒。之後被試想象相應的手臂動作持續4秒。每一條實驗完成後至少休息1.5秒。加入1秒內任意時間來打斷被試的適應性。
3個線上反饋期（session）有4組，笑臉反饋被記錄下來（如圖3b），每一組（run）在每一類動作想象中包含20次實驗。在每一次實驗開始，（0秒出）灰色的笑臉在螢幕中央。在2秒處，短時提醒出現（1kHz，70ms）。線索（cue）在3到7.5秒出現。根據提供的線索，要求被試主體通過想象左手或是右手動作，將笑臉朝左側或是右側移動。在反饋的時段，當想象運動方向符合，笑臉變綠，如果做錯了，笑臉變紅。笑臉距離原始位置的移動距離根據剛過去的兩秒動作想象的整合分類輸出設定（細節在[1]）。另外，分類器輸出也繪製出笑臉嘴角也有向上向下彎的變化。在7.5秒時刻，螢幕變白，1到2秒的隨機間隔被加入到測試裡。被試被要求保持笑臉儘可能長時間處於正確的一側，從而可以儘可能長時間的進行動作想象。
資料檔案說明
所有的資料被儲存成General Data Format 中，作為生物醫學訊號的格式（GDF），一個檔案一人一期（session）。可是，只有前面三個session有所有測試的分類標註。剩下的兩個期seesion則是用來測試分類器，然後評估分類器的效能。所有的檔案都列在表格1中。GDF檔案可以使用開源工具箱BioSig載入，在http://biosig.sourceforge.net/免費獲取。包括Octave/MATLAB和C/C++的庫檔案。
在Octave/MATLAB裡，使用BioSig工具箱載入一個GDF檔案，如下操作（for C/C++, the corresponding function HDRTYPE* sopen and size t sread must be called）
[s, h] = sload('B0101T.gdf');
注意組（run）被100個預設值分割，預設值預設編碼為沒有數字（NaN）。或者，行為將被停止，預設的資料將被編碼成負的最大值儲存在檔案裡。
[s, h] = sload('A01T.gdf', 0, 'OVERFLOWDETECTION:OFF')；
工作區包含兩個變數，s是訊號，h是頭結構。訊號變數包含6個通道，（前3個通道是EEG，後3個通道是EOG訊號）。頭結構包含事件資訊，描述時間流中資料的結構。下面的介紹了評估這些資料的重要資訊。
在樣本中事件的位置包含在h.EVENT.POS。相對應的型別在h.EVENT.TYP，特定的事件區間被儲存在h.EVENT.DUR。該資料集所採用的型別記錄於表格2中（16進位制數字，10進位制標註在括號裡）。注意類別標記（如1，2對應事件型別769和770）只標註於訓練資料，並沒有標註於測試資料。
試驗（trials）包含偽跡,將被專家標註為事件型別1023。另外，h.ArtifactSelection包含所有試驗（trials）的目錄。0表示沒有偽跡的試驗，1表示包含偽跡的試驗。
為了觀察GDF檔案，觀察和記分應用終端SigViewer v0.2或更高的BioSig可以使用。
評估
參與者必須以類別編號（1，2）的形式對每一個樣本，提供連續的輸出分類結果，包括被標記的測試(trial)和被標記為偽跡的測試(trial)。對於每一個時間點，所有不存在偽跡的測試(trial)，可以用來建立一個混淆矩陣（confusion matrix）。從這些混淆矩陣,可以得到時間流的準確率和Kappa係數。BioSig將會提供評估演算法。贏家將是kappa值最大的演算法。
由於評估資料集直到比賽結束才會發下來。提交的程式必須相容EEG 資料（該資料結構必須與所有訓練集中使用的資料結構相同），該EEG資料作為輸入，產生上述提到的類別標註向量。
因為提供了3個EOG通道，在處理資料之前，利用偽跡處理技術，如高通濾波或線性迴歸[4]，剔除EOG偽跡。為了保證其他修正方法的使用，我們選擇最大透明度措施，提供EOG通道；與此同時我們要求偽跡不要影響分類效果。
所有的演算法都要符合因果性，意味著在k時刻的分類結果，只與當下和過去取樣x_k ; x_ k-1,…, x_0有關。為了檢測提交演算法是否符合因果性和符合偽跡處理要求。所有參賽作品必須開源，包括使用的庫，編譯器，程式語言，等等。(如Octave/FreeMat, C++, Python, . . . )。使用MATLAB提交演算法可以在閉源環境開發，只要程式碼可以在Octave上執行。同樣，C++程式可以在Microsoft或Intel環境下編譯，但是程式碼必須可以在g++下編譯。
參考
[1] R. Leeb, F. Lee, C. Keinrath, R. Scherer, H. Bischof, G. Pfurtscheller. Brain-computer communication: motivation, aim, and impact of exploring a virtual apartment. IEEE Transactions on Neural Systems and Rehabilitation Engineering 15, 473{482, 2007.
[2] M. Fatourechi, A. Bashashati, R. K. Ward, G. E. Birch. EMG and EOG artifacts in brain computer interface systems: a survey. Clinical Neurophysiology 118, 480{494, 2007.
[3] A. Schlogl, J. Kronegg, J. E. Huggins, S. G. Mason. Evaluation criteria in BCI research. In: G. Dornhege, J. d. R. Millan, T. Hinterberger, D. J. McFarland, K.-R. Muller (Eds.). Toward brain-computer interfacing,MIT Press, 327{342, 2007.
[4] A. Schlogl, C. Keinrath, D. Zimmermann, R. Scherer, R. Leeb, G.Pfurtscheller. A fully automated correction method of EOG artifacts in EEG recordings. Clin.Neurophys. 2007 Jan;118(1):98-104.