只是汇总一部分欢迎补充，本文章为不收费文章

1、BCI Competition IV 2a 数据集

要点：数据集由9名受试者的EEG数据组成，受试者在实验过程中需要进行四种不同的运动想象任务，即左手（1类）、右手（2类）、双脚（3类）和舌头（4类）运动想象。每名受试者均在不同的日期进行了两个session，两个session所得数据分别用于分类器的训练（T）和测试（E）。因此每个受试者将拥有两个数据文件，以一号受试者为例我们将两份文件命名为A01T和A01E，数据集共有18份文件。

官方/获取入口：http://www.bbci.de/competition/iv/#download

官方PDF：http://bbci.de/competition/iv/desc_2a.pdf

2、BCI Competition IV 2b 数据集

介绍：BCI competition IV 公共数据集 Data sets 2b，是基于视觉诱发的左右手运动想象的脑电数据集。该数据集采集了9名右利手、视力正常或达到矫正后正常的实验者的脑电信号作为数据集。

官方/获取入口：BCI Competition IV: download area

3、Benchmark dataset 数据集

简要介绍：清华大学脑机接口研究组发布的 Benchmark 数据集，聚焦稳态视觉诱发电位（SSVEP）在BCI中的应用，是该领域内广泛引用的基准数据集之一。该数据集提供了结构化、标准化的多参与者数据，方便进行跨个体比较和算法对比。共有35名健康参与者（17名女性，年龄17至34岁，平均年龄为22岁）,既有经验丰富的研究者，也有经验较少的新手，能够覆盖不同参与者群体的数据特征。刺激频率从8Hz到15.8Hz，覆盖了SSVEP研究中常用的频率范围。

官方/获取入口：https://bci.med.tsinghua.edu.cn/download.html

参考文献：Y. Wang, X. Chen, X. Gao and S. Gao, "A Benchmark Dataset for SSVEP-Based Brain–Computer Interfaces," in IEEE Transactions on Neural Systems and Rehabilitation Engineering, vol. 25, no. 10, pp. 1746-1752, Oct. 2017, doi: 10.1109/TNSRE.2016.2627556.
 

4、PhysioNet EEG Motor Movement/Imagery 数据集

要点：该数据集包含1500多个一分钟和两分钟的脑电图记录，来自109名志愿者，详见下文所述。受试者在使用BCI2000系统（http://www.bci2000.org）记录64通道脑电图时，执行了不同的运动/影像任务。每位受试者完成14次实验跑：两次一分钟基线跑（一次睁眼，一次闭眼），以及以下四项任务各三次两分钟跑。该数据集由Gerwin Schalk（wadsworth.org的Schalk）及其同事在纽约州卫生部Wadsworth中心BCI研发项目创建并贡献给PhysioBank，地点为纽约州奥尔巴尼。

官方/获取入口：脑电图运动/影像数据集 v1.0.0

参考文献：BCI2000: a general-purpose brain-computer interface (BCI) system

http://www.ncbi.nlm.nih.gov/pubmed/15188875

5、SEED（Shanghai Jiao Tong University 情感脑电数据集）

要点：情感脑电数据集，常用于情感识别与脑–机接口相关的研究；包含标注的情感状态及相应 EEG 信号。SEED数据集包含对象观看电影剪辑时的脑电信号。仔细选择影片剪辑，以引起不同类型的情感，包括积极（positive），消极（negative）和中性(neutral)的情感。

官方/获取入口：https://bcmi.sjtu.edu.cn/home/seed/seed.html

参考文章：
【1】Ruo-Nan Duan, Jia-Yi Zhu and Bao-Liang Lu, Differential Entropy Feature for EEG-based Emotion Classification, Proc. of the 6th International IEEE EMBS Conference on Neural Engineering (NER). 2013: 81-84.
【2】Wei-Long Zheng, and Bao-Liang Lu, Investigating Critical Frequency Bands and Channels for EEG-based Emotion Recognition with Deep Neural Networks, accepted by IEEE Transactions on Autonomous Mental Development (IEEE TAMD) 7(3): 162-175, 2015.

6、BNCI Horizon Data Sets

要点：一个整合多种 BCI 任务的数据集合，覆盖运动想象、眼动控制等多类任务，适合比较不同技术在相同数据集上的表现。

官方/获取入口：Data sets - BNCI Horizon 2020

7、DEAP数据集

要点：提供了一个用于分析人类情感状态的多模态数据集。记录了 32 名参与者观看 40 个一分钟长的音乐视频摘录时的脑电图（EEG）和外周生理信号。参与者根据唤醒度、愉悦度、喜好 / 不喜欢、支配度和熟悉度等级别对每个视频进行了评分。对于 32 名参与者中的 22 名，还记录了额头面部视频。使用了一种新颖的刺激选择方法，利用了从 last.fm 网站的情感标签检索、视频亮点检测和在线评估工具。

参考文章：[翻译+注解] DEAP dataset：a dataset for emotion analysis using eeg, physiological and video signals_deap数据集-CSDN博客

8、GigaScience EEG Datasets for Motor Imagery

介绍：这一数据集由赵(Cho)等人在2017年发表，包含多标记标签，高维度通道数以及小样本规模的脑电图数据【^21.数据集中包含了52名受试者，每名受试者完成100或120次试验，每次试验持续3秒。数据集可通过吉亚科学的官方网站获取:吉亚科学运动表象脑机接口脑电数据集。

入口：EEG datasets for motor imagery brain–computer interface | GigaScience | Oxford Academic

参考文献：https://academic.oup.com/gigascience/article-pdf/6/7/gix034/60709569/gigascience_6_7_gix034.pdf

9、Grasp-and-Lift EEG Detection Dataset

介绍：该数据集专注于抓取和提升动作的 EEG 信号检测，虽然主要关注实际运动而非想象，但也可能对运动想象的研究有所帮助[^2]。

入口：https://figshare.com/articles/dataset/Grasp_and_Lift_EEG_Detection