L-FAME数据集完整说明：配套标签、开源工具、不提供视频自动晃动打标方案
一、数据集是否提供标签？完整两类标签全部开放（BIDS标准事件标签+行为量表标签）
1. 硬件同步的分段事件Trigger标签（脑电内置vmrk事件，可直接在EEGLAB/MNE读取）
实验固定时序，采集时下发TTL标记，全部写入原始BrainVision文件，配套BIDS events.tsv标准化文字映射表：
完整实验阶段标签体系：
- restOE：睁眼静息2min
- restCE01：闭眼静息4min（允许自然走神）
- Medita：出声持咒冥想8min（有发声/肢体动作，伪迹多）
- restCE02：二次闭眼静息4min
- slMedita：无声内观冥想8min（核心无动作分析段）
每一段start/end都有独立数字Trigger，
events.tsv记录采样点、时长、状态名称，开箱即用，不需要手动分段。
2. 被试分组+心理行为元标签（离线CSV/json）
- 分组标签：Breath Focus呼吸专注、SA-TA-NA-MA持咒、Hare Krishna持咒三大冥想组别；前测pre / 六周训练后测post纵向时间标签；
- 量表行为标签：MAAS正念觉察量表、训练时长、走神主观评分等，用于组间统计校正。
3. 预处理衍生伪迹标签（EEGLAB清洗后成品set文件自带）
作者提供预处理完成的EEGLAB .set衍生数据：
- ICLabel自动分类ICA成分（脑/眼电/肌电/工频噪声）；
- 已自动剔除大幅运动、眨眼肌电伪迹区间，伪迹污染段在衍生文件里做了分段标记，可直接筛选干净冥想片段。
关键局限：缺少两类你关心的标签
- 无主观走神瞬时标签：实验未设置按键/语音反馈，没有「觉察走神、注意力回归」这类单点事件标签；
- 无视频视觉标签：数据集完全没有同步录像，不存在身体摇晃、头部微动的视觉标注，更没有视频自动识别晃动的配套标注。
二、配套开源软件/代码提供了什么？解决了哪些打标签问题，哪些完全没解决
1. 公开开源资源（Hugging Face仓库完整释放）
- 标准化BIDS读取API；
- EEGLAB完整预处理流水线脚本（MATLAB）；
- Python基准机器学习代码（MNE读取、频谱提取、状态分类）；
- 详细附录：TTL同步打标规则、事件编码对照表、ICA伪迹剔除参数。
2. 代码能自动处理的标签相关任务
- 自动读取、拆分实验大阶段标签
一行代码按
restOE/restCE/Medita/slMedita切分脑电片段，无需人工划分时段（解决你之前「有引导语如何分段」的需求）； - 基于EEG信号自动识别运动/眼动伪迹并标记区间 脚本封装ADJUST、ICLabel流程，自动输出肌电（身体晃动、发声、头部摆动）、眨眼的起止采样点，批量插入伪迹事件标签（仅靠脑电波形，不靠视频）；
- 批量匹配元数据标签 自动绑定被试组别、前后测、量表分数，用于分层统计对比。
3. 完全不提供、无法解决你之前问的「录像自动识别身体晃动打标签」
- 采集流程未同步摄像头，无任何视频数据，仓库不存在MediaPipe/OpenCV人体姿态识别脚本；
- 预处理流水线只基于EEG电信号识别运动伪迹，只能统一标记“肌电伪迹”，无法区分是头部晃、躯干晃、抬手；
- 没有开发任何视觉同步打标工具、实时LSL视频识别代码，论文正文、附录、开源代码均无视频自动打标相关实现；
- 不支持隐性走神自动识别：无呼吸带、EOG多模态联动算法，仅能区分宏观静息/冥想大状态，无法捕捉内在分心。
三、和你之前需求的对照总结
1. L-FAME能直接复用的优势（适合带引导语冥想分段、EEG原生伪迹自动打标）
- 标准化BIDS事件标签，完美解决引导语音分段，不用人工计时切分；
- 开源EEGLAB/MNE脚本封装自动伪迹识别，批量给晃动、眨眼肌电打统一伪迹标签；
- 纵向分组标签齐全，适合正念专注冥想组间对比。
2. 该数据集完全无法提供的工具/方案（你的核心痛点）
- 无录像、无视频自动识别晃动的工具/代码；
- 无识别「无觉察隐性走神、枯静、疑情」的多模态生理联动打标算法；
- 无被试主观走神瞬时事件标签（没有按键/语音标记范式）；
- 不能细分晃动类型（头晃/躯干晃/抬手），仅统一归类肌电干扰。
四、实操建议
- 如果你只需要带引导语冥想自动分段、EEG波形自动标记运动伪迹：直接复用L-FAME开源预处理脚本、BIDS标签编码逻辑；
- 如果你需要同步录像识别身体摇晃并细分标签：L-FAME无配套方案，仍需要独立搭建MediaPipe+MNE-Python视觉识别流水线；
- 如果你研究默照/参究禅、需要走神/枯静/疑情瞬时标签：L-FAME范式是简单专注呼吸/持咒，无相关内在心理事件标签体系，无法直接套用。
发表回复