Onderzoekers hebben EEGDash Corpus gelanceerd, een uitgebreide en direct bruikbare verzameling van publieke EEG-gegevens. De nieuwe corpus is specifiek ontworpen om de training van fundatiemodellen voor elektro-encefalografie (EEG) te vergemakkelijken door versnipperde data te centraliseren.
Het trainen van fundatiemodellen voor EEG vereist enorme hoeveelheden data, vaak tienduizenden uren aan opnames, om een hoge nauwkeurigheid te bereiken. In de praktijk is het verzamelen van deze gegevens echter complex. Volgens een publicatie op arxiv.org zijn de grootste bronnen vaak klinische archieven die vanwege privacy- en strikte regels niet herdistribueerbaar zijn. Daarnaast zijn publieke bronnen vaak verspreid over verschillende archieven, bestandsformaten en licenties, wat de toegang voor machine learning-onderzoekers bemoeilijkt.
Samenstelling van de corpus
Om deze barrières te slechten, hebben Kuber Shahi, Bruno Aristimunha en Arnaud Delorme de eegdash-corpus-v0 uitgebracht. Deze corpus bestaat uit 77 publieke EEG-datasets. In totaal bevat de verzameling 14.075 uur aan opnames van 7.272 proefpersonen. Dit vertaalt zich naar 5 miljoen samples van 10 seconden en 6,21 miljard tokens per epoch.
De selectie van de datasets is mede gebaseerd op het REVE-model, het grootste gepubliceerde EEG-fundatiemodel. Hoewel REVE 89 datasets gebruikte voor pretraining, konden twaalf daarvan niet worden opgenomen in de publieke corpus. Volgens de auteurs van het betrof dit vier klinische archieven die samen 82% van de uren bevatten, en acht datasets met 'no-derivatives' licenties. De uiteindelijke corpus bevat de overige 76 datasets die compatibel waren met de bemonsteringssnelheid van REVE, aangevuld met één extra dataset.
Technische implementatie en toegankelijkheid
De data is beschikbaar gesteld als een 'gated' dataset op Hugging Face onder de naam EEGDash/eegdash-corpus-v0. Om de bruikbaarheid te maximaliseren, is elke dataset via EEGDash opgehaald en geconverteerd volgens de specifieke methode van REVE. De gegevens zijn opgeslagen in een 'chunked Zarr store', waarbij elke dataset zijn eigen bucket heeft en de bijbehorende licentie is vastgelegd. Hierdoor kunnen ontwikkelaars een model trainen op de volledige store of op specifieke subsets van datasets.
Deze corpus bouwt voort op de bredere infrastructuur van arxiv.org, een open-source platform dat is ontwikkeld voor machine learning op neurofysiologische data. Dit platform fungeert als een register voor publieke BIDS-datasets (Brain Imaging Data Structure) uit bronnen zoals OpenNeuro en NEMAR. EEGDash indexeert metadata van maar liefst 892 publieke BIDS-datasets, wat neerkomt op 126.672 uur aan data van 43.911 deelnemers over vijf verschillende modaliteiten, waaronder EEG, MEG, iEEG, fNIRS en EMG.
Validatie van de resultaten
Om aan te tonen dat de nieuwe store effectief kan worden gebruikt voor pretraining, hebben de onderzoekers het REVE-Base model twee keer volledig opnieuw getraind. De enige aanpassing die werd gedaan, was de manier waarop de data werd ingelezen.
De resultaten werden getest op zeven publieke OpenEEGBench-taken. Volgens de behaalde het opnieuw getrainde model een score van 0,331 bij 'linear probing' en 0,273 na 'fine-tuning'. Ter vergelijking: het oorspronkelijke released model scoorde 0,333 en 0,325. Een ongetrainde encoder scoorde aanzienlijk lager, met waarden van 0,200 en 0,205.
Het project is geaccepteerd voor presentatie op de Workshop on Machine Learning for EEG Signal Processing (MLESP 2026) tijdens de IEEE BIBM 2026. Naast de corpus zijn ook de converter, de conversierapporten en de aanpassingen voor de loader publiekelijk vrijgegeven om verder onderzoek te stimuleren.