高密度靜息態EEG數據的開放獲取：現狀、挑戰與展望

1引言

近年來，大腦在非任務的休息狀態下的功能活動得到腦科學領域的廣泛關注。這種所謂的“靜息態”范式被認為反映了大腦的內在活動，提供了大腦區域如何協同工作的信息（Birn，2012）。它將神經的自發活動與任務狀態區別開來，大量證據表明這些活動可以用來量化行為、反映認知功能和識別疾?。⊿tametal.，2014）。靜息態腦成像有多種實現形式。腦電圖（electroencephalographyEEG是一種記錄頭皮電位波動的非侵入性技術（Berger，1930），具有高時間分辨率和高成本效益，可在毫秒級上洞察大腦動態（Ingberamp;Nunez，2011）。靜息態腦電（resting-stateEEG，rsEEG）是腦電的一種特定應用，定義為被試在不積極參與感覺處理或認知活動時的腦電記錄（Khannaetal.，2015）。它為了解大腦的自發神經振蕩提供了窗口，反映了大腦內在的連接性與功能結構。近年來相關研究主要側重于分析特定頻段：δ （1～4Hz） 人θ（4～7Hz），a（8～12Hz），β（12～28Hz） 和 /（gt;30Hz） 并分別與不同認知及行為聯系起來（Decoetal.，2011）。EEG的關鍵優勢之一在于其高時間分辨率，能夠精確捕捉快速加工的認知和感知過程（Ingberamp;Nunez，2011）。同時，EEG能夠在不同環境中記錄，增強了測量大腦活動的生態效度（Newsonamp;Thiagarajan，2019）。此外，EEG的非侵入性和低成本使其可應用于各年齡段人群和使用場景（Khanna et al.，2015）。

本文將60個電極以上的EEG記錄稱為高密度EEG，否則為低密度EEG。高密度與低密度EEG在分析性能上存在顯著差異。低密度EEG僅能提供簡單網絡特征分析，在復雜網絡特征上表現遜色（O'Donnelletal.，2021）。并且使用60個及以上的電極的高密度腦電系統能夠顯著提高源定位的準確性（Sohrabpouretal.，2015），大于100個電極的高密度EEG系統能夠顯著降低源定位誤差實現癲癇病灶的準確定位（Lantzetal.，2003;Stoyell et al.，2021）。

先前的研究發現當電極數目超過60個時，在空間分辨率上的增益效應趨于平緩（Sohrabpouretal.，2015）。同時，超高密度EEG （大于256）也存在技術上的瓶頸，如鄰近電極的生理鹽水和電極膏易帶來局部短路。即使是經驗豐富的技術人員，也需要1個小時來完成超高密度EEG的佩戴，增加了時間成本（Chu，2014）。未來隨著干電極、微針電極等硬件的成熟，超高密度EEG有望極大程度上縮短準備時間，并在數據質量和舒適度方面取得長足進步。

本文關注高密度靜息態EEG的開放獲取情況。首先對已有數據庫的被試特征和發布國家地區的分布進行介紹。其次，本文對實驗流程和分析技術等基本特點進行了總結歸納。再次，本文詳細分析了目前高密度EEG的主要研究領域和應用情況。最后，我們總結了靜息態EEG分析的推薦流程、主要方法和常見工具，并對未來高密度靜息態EEG的開放獲取進行了前景展望。

2基本現狀

2.1靜息態EEG和其他模態的對比

靜息態腦成像具有多種實現技術。功能性磁共振成像（FunctionalMagnetic Resonance ImagingfMRI是一種通過檢測與血流相關的變化來測量和繪制大腦活動的神經影像技術，依賴于血氧水平依賴信號，適用于大腦的解剖結構與功能活動的對應關系的研究（BOLD;Leeetal.，2013）。研究者們通過靜息態fMRI（rs-fMRI）觀察到BOLD信號存在自發性低頻波動，揭示了解剖學上分離的大腦區域之間活動模式的時間序列相關性，并識別出默認網絡、額頂注意網絡等多個大尺度腦網絡（Van Den Heuvelamp;Pol，2010）。腦磁圖（Magnetoencephalography，MEG）通過分布在頭皮表面的高靈敏度磁場傳感器捕獲大腦產生的微弱磁場（100fT量級），實現對皮層下活動模式的無創實時監測，廣泛應用于深部腦結構快速神經活動信號的探測（VanDiessenetal.，2015）。功能性近紅外光譜技術（Functional Near-Infrared Spectroscopy，fNIRS）利用血液主要成分對近紅外光良好的散射性，測量神經活動引起的大腦皮層血流動力學變化，多用于自然環境中對特定人群進行長時間記錄（Ferrariamp;Quaresima，2012）。正電子發射斷層掃描（Positron Emission Computed Tomography， PET）

可以無創地檢查腦血流、新陳代謝和受體結合等功能，在大腦的長期穩態代謝過程和神經遞質系統的研究中最為常見（Taiamp;Piccini，2004）。

相較而言，盡管fMRI具有較高的空間分辨率，但只能間接反映神經活動，且時間分辨率較低。PET和fNIRS也存在類似的低時間精度。大腦的大部分認知加工是在毫秒到秒的時間尺度上進行的，這個時間尺度更適合采用EEG和MEG（Koenigetal.，2005）。由于腦磁場信號相較于地球磁場和外界電磁波干擾過于微弱，需要超導技術和強磁屏蔽，導致MEG價格昂貴，可獲得性遠低于EEG。EEG具有高時間分辨率、價格相對低廉、操作簡單、便攜等特點，使其成為認知神經科學等領域最常用的研究工具之一，覆蓋了認知功能研究、臨床疾病診斷等領域，具有高普及率。當然，EEG也存在如空間分辨率較低，易受到來自外界噪音和眼動肌電等偽跡的干擾，和無法反映深部腦結構信號的劣勢，需要研究者們辯證看待其研究價值。

2.2靜息態EEG指標的重測信度

基于頭表EEG信號探究認知神經機制，需要信號具有良好的重測信度。用于評估重測信度的常用統計量是組內相關系數（intra-classcorrelationcoefficients，ICC），即個體重復測試的方差與總方差的比率。EEG信號總體上重測信度較高，其中靜息態閉眼狀態的ICC值比睜眼狀態更高，靜息態EEG的ICC普遍比事件相關電位（event-relatedpotential，ERP）高（Duanetal.，2021；覃慧怡等，2024）。靜息態中 ∝ 頻段的重測信度在睜眼和閉眼兩種狀態下均較高，事件相關電位中簡單的認知任務，如精神警覺性任務（psychomotorvigilancetest，PVT），重測信度較高。Ding等人（2022）發現大規模腦網絡的重測穩定性受個體狀態影響，心理想象任務的重測信度都低于靜息態。

近年來，靜息態EEG頻譜的非周期分析得到極大關注，人們發現非周期性活動的重測信度在總體上表現良好 （ICCgt;0.50 ；Lietal.，2024），但在任務態中的重測信度會隨著任務類型產生變化。上述有關心理測量特性的檢驗，反映了靜息態EEG指標具有作為穩定的生物標志物的潛力。

2.3靜息態EEG的文獻情況

我們回顧了自2000年以來發表的研究，在WebofScience數據庫中對相關文獻的發文量進行搜索，發表日期截止至2024年12月31日。將檢索范圍限制在WebofScience核心數據集，在靜息態EEG檢索過程中使用了以下關鍵詞的組合：（ TS⁼ （restingstateEEG）） ORTS=（restingstateElectroencephalography））OR TS⁼ （resting stateElectroencephalogram）。為了探究EEG開放獲取的情況，我們選擇了以發表科學數據共享和再利用的研究為主的期刊ScientificData，統計了其 2000～ 2024年間EEG相關研究論文年發文量（見圖1）。

從靜息態EEG發文量的變化趨勢來看，在2000年至2024年期間發文量穩定增長。ScientificData雜志EEG年發文量自2014年FAIR（Findable，Accessible，Interoperable，andReusable）原則提出后發展迅猛，反映了研究者們對開放科學的熱烈響應。總體而言，靜息態EEG領域的研究熱度在近年來有顯著提升。

3高密度靜息態EEG公開數據介紹

通過網絡搜索，截止至2024年12月31日收錄到30個導聯數在60以上，被試為清醒靜息狀態下的靜息態EEG公開數據庫（見表1）。

3.1 地域分布

在上述數據集中，來自歐洲和美國的數據庫占 73% （22個），其余地區的數據集數量較少。特別是非洲地區缺乏符合標準的數據集。特別地，目前非洲地區本土采集并共享的數據集僅有尼日利亞精神分裂癥數據集（NSzED；Olateju et al..2023）。該數據集旨在改善世界發展中和欠發達地區人群高質量EEG數據集的短缺情況，采集了精神分裂癥患者和健康被試的任務態和靜息態EEG數據，但其導聯數為18導。目前來自非洲中低收入國家的大腦數據集仍相對匱乏（deAguiarNetoamp;Rosa，2019）。這說明目前數據庫中的人種數量在各大洲極不均衡，研究結果存在推廣性的限制。當前國際上實驗科學的研究，普遍面臨過度依賴所謂的WEIRD（Western，Educated，Industrialized，Rich，andDemocratic）樣本的問題，即被試主要集中在西方、受過教育、工業化、富裕和民主國家中的群體（Jones，2010）。EEG具有價格低廉、攜帶方便和簡單易操作的優勢，相信未來高密度EEG能實現更為廣泛的人群覆蓋。

圖1從2000年到2024年靜息態EEG和開放獲取EEG的論文發表量。

圖2高密度靜息態EEG已有公開數據庫的指導語、年齡和被試量構成情況。圖示旁數字代表表1中數據庫的編號，圓圈半徑與被試人數成線性關系。彩圖見電子版。

3.2 被試特征

靜息態EEG數據涵蓋了從兒童到老年的各個年齡段，以18～35歲的中青年為主體（見圖2）。但對嬰幼兒群體，由于頭圍小，目前以30左右導聯的數據為主。另一方面，被試類型囊括了健康被試和多種疾病患者群體。數據庫的多樣性不僅促進了人們對于健康和疾病狀態下大腦功能差異的理解也推動了個性化醫療和精準醫學的發展。

目前單個時間點采集的橫斷面數據較多。僅有4個數據庫存在2～3次的縱向追蹤采集。但對于基礎研究特別是神經發育而言，需要多個時間點的追蹤數據，進而刻畫出全生命周期中大腦的發育、成熟和衰老的全過程。較少的樣本量和采集次數將限制神經發育研究的推廣性，難以揭示普遍的神經發育規律。對于臨床研究而言，患者數據過少會限制疾病病理機制的探索，降低發現生物標志物的可能性，進而影響疾病的早期診斷和干預策略的制定。

3.3 數據類型

多數數據庫包含多個模態的腦成像信息，還包括其他生理或行為數據。例如萊比錫心腦身數據庫（Babayanetal.，2019）提供了認知、情感和生理等方面豐富的多模態數據。多模態數據對于深入理解大腦功能與結構關系至關重要，不同模態可以在時空精度上實現優勢互補，并且其整合能提高疾病診斷準確性和治療效果評估（雷旭，堯德中，2014）。多模態也帶來了數據處理和分析上的挑戰，需要研究者具備跨學科的知識和技術。

3.4數據庫應用情況

在本文中，某些數據集作為研究論文的原始數據被作者團隊發布，我們將基于該數據集發布的實驗論文也視作數據介紹文章。在對30個EEG數據庫的分析中，我們發現有25個數據庫有數據介紹文章發表，占總數據庫的 83% 。這些有數據介紹文章的數據庫平均被引次數為326次，而部分沒有數據介紹文章的數據庫尚未被引用。這一顯著差異表明，發表數據介紹文章對于提升數據庫的引用率具有重要作用。

為提高EEG數據庫的引用率，建議研究者在數據庫上線時同步發表數據介紹文章，以便更好地推廣數據庫。同時，數據庫的長期維護和更新也是提升引用率的關鍵因素。未來，隨著更多高質量數據庫的上線和數據介紹文章的發表，我們期待看到更多具有影響力的研究成果。

4靜息態EEG公開數據的典型應用

由于部分已發表研究未滿足本文靜息態或60導聯以上的要求，我們接下來從廣義上探討公開數據庫的典型應用。

4.1在睡眠-覺醒機制中的應用

在探討睡眠-覺醒機制方面目前已有多個數據庫，這些數據不僅可以用于研究睡眠剝奪對認知功能的影響，也為探索睡眠與覺醒的神經機制提供了可能。Zhang等人（2023）發現前額葉γ波功率較低的個體在睡眠剝奪后更可能出現反應性攻擊行為的增加，表明靜息態EEG可能是預測睡眠剝奪后攻擊性行為的潛在生物標志物。

目前多導睡眠腦電圖（polysomnogram，PSG）的公開數據庫較多，如蒙特利爾睡眠研究檔案（O'reillyetal.，2014），有的數據還和fMRI進行了同步采集（Sterpenich etal.，2021）。但這些數據庫電極一般為8導，故沒有納入到本文的分析中。未來可以嘗試將高密度靜息態EEG與PSG相結合，來開展睡眠-覺醒機制的研究。

4.2在神經發育中的應用

由于記錄過程對跨年齡段被試的包容性，利用靜息態EEG從嬰幼兒、兒童、青少年、成年到健康老年人建立全生命周期的數據庫，有助于科學理解整個生命周期中的大腦發育。隨著公開數據庫的建立，研究人員能夠訪問大規模的靜息態EEG數據，這對于探究健康和疾病狀態下的神經發育模式至關重要。例如，利用古巴人腦圖譜數據庫，研究者發現嬰兒大腦成熟過程中EEG連接性的變化與大腦的突觸生成、髓鞘形成以及早期右半球優勢具有同步性（Bosch-Bayardetal.，2022）。借助發育過程大腦信息處理的多模態資源數據集中大規模兒童多模態數據，研究發現多模態網絡屬性能有效識別特定年齡段的正常發育狀態和精神障礙，為評估大腦年齡和診斷發展中的精神健康問題提供可靠途徑（Jiangetal.，2024）。

4.3在神經精神疾病中的應用

靜息態EEG在臨床研究領域主要應用于識別神經精神疾病的生物標志物，主要包括阿爾茨海默?。∕eghdadietal.，2021）、自閉癥（Heunisetal.，2016）、抑郁癥（Sun et al.，2023）、失眠（Shi et al.，2024）和癲癇（Cecchetti etal.，2021）等。目前已有美國國家自閉癥研究數據庫（NDAR）等大型數據庫，為探究疾病相關的特殊神經振蕩提供了保障。通過對靜息態EEG信號的挖掘，研究者發現攜帶APOE和PICALM基因風險等位基因的中年健康個體表現出EEG“慢化”、信號復雜性降低以及潛在的功能連接變化，這些特征可能預示著未來患阿爾茨海默病的風險（Dzianok etal.，2025）。對于自閉癥的早期診斷，Huberty等人（2021）基于國際嬰兒EEG數據整合平臺中432名被試的共享EEG數據，分析發現自閉癥家族風險可預測EEG頻譜功率的初始水平和變化趨勢。例如通過分析萊比錫心腦身數據庫中腦健康指標，研究者們發現即使在缺乏公認的癲癇樣活動時，這些指標也能指示癲癇的可能性并幫助確定癲癇發作的大腦偏側化，提高在缺乏癲癇樣活動時診斷癲癇的成功率（Varatharajahetal.，2020）。利用已有的共享數據集，研究者構建了基于EEG信號的疾病分類或預測模型（Kabbaraetal.，2022）。Tang等人（2024）則利用公共ABC-CT靜息態EEG數據集，在單被試和跨被試實驗中，建立了準確率在 85% 以上的診斷模型。另有研究者基于2個19導的共享EEG數據集（DatasetAamp;B），提出了阿爾茨海默癥（AD）診斷的深度集成學習（DEL）模型，該模型在AD分類上平均準確率達到 97.9% ，顯示出極高的診斷準確性（Nouretal.，2024）。這不僅為神經精神疾病的診斷提供了新的視角，還為開發新的診斷工具和干預措施提供了科學依據。

借助微狀態分析提取EEG信號中的信息，研究者發現抑郁癥患者在治療前后的微狀態特征具有顯著差異。微狀態C與抑郁癥狀的嚴重程度相關。微狀態D、E可作為預測重復經顱磁刺激治療反應的生物標志物，抑郁癥和失眠患者的大腦網絡時空動態可能因視覺網絡的微狀態B異常而變化。以上均表明EEG微狀態或成為區分抑郁和失眠的關鍵神經生物學指標（Caoetal.，2024）。

5進展和趨勢

5.1靜息態EEG分析方法

原始EEG數據包含神經電活動、生理偽跡和非生理噪音，所以需要通過預處理提高數據的信噪比。靜息態EEG預處理通常由以下步驟組成：信號去噪、去除偽跡、基線校正、重參考、調整采樣率、剔除壞導壞段和信號分解（Shokaet al.，2019）。預處理步驟和順序通常根據研究設計和數據特點來確定（Martineketal.，2021）。傳統的預處理方法依賴于大量人工判讀，對研究者的經驗有較高的要求，耗費大量時間成本，且數據處理的結果具有主觀性。

現在已出現大量標準化預處理流程和開源工具箱，為大規模EEG數據的預處理提供了新思路。分布式計算框架通過將數據和計算任務分配到多個計算節點上，顯著提高了處理效率。同時，標準化預處理流程的出現減少了因數據處理差異導致的偏差。在此背景下，出現了多種適應透明性、開放獲取和大數據處理需求的開源工具包和批量數據處理管道（pipeline）。PREP流程是一種針對靜息態EEG數據的標準化預處理方法，通過多窗口譜分解技術去除噪聲，避免傳統帶阻濾波器可能引入的信號失真。通過檢測和插值，逐步估計出真實信號，顯著減少了噪聲通道對數據的污染。PREP通過將數據處理分為多個階段，每個階段可充分利用并行計算資源，同時支持分布式計算（Bigdely-Shamlo et al.， 2015）。Automagic 是一個用于靜息態EEG數據標準化預處理的開源MATLAB工具箱。它整合了多種現有預處理方法，如壞通道檢測、濾波、ICA等，并倡導基于絕對信號強度的質量評估指標。它還支持對動態增長的研究數據進行管理，可以持續跟蹤已預處理的數據集，并在數據不斷增加時保持各項設置固定，因此能夠適應長期的、大規模的、標準化的分布式數據處理需求（Pedroni et al.，2019）。DISCOVER-EEG則是另一個自動預處理的工具，它調用了EEGLAB和FieldTrip這兩個工具包來提取和可視化腦功能特征（GilAvilaetal.，2023）。具有自動化批處理能力的開源工具包促進了大型EEG數據集的整合、再利用和分析，有助于研究者們更快構建一個高效、靈活且具有實踐操作性的工作流，進而對大規模數據實現有效挖掘。

靜息態EEG分析方法多樣，涵蓋時域、頻域、時頻域及復雜網絡等多個層面。時域分析如波幅分析和峰值檢測，通過直接提取波形特征來量化心理過程，操作簡單，可解釋性強。頻域分析主要是功率譜分析，能將時域信號轉換為頻域，呈現腦電節律分布。時頻變換包括短時傅里葉變換和小波分析等，可同時捕捉時間和頻率信息，反映非平穩信號的動態特性。復雜網絡分析，如無標度和小世界分析，基于多電極數據，可揭示腦網絡整體的拓撲特性。功能連接分析包括相干性分析和同步性分析，可從線性和非線性等角度評估腦區間的功能連接。有效連接分析，如動態因果模型和轉移熵，進一步探索腦區間的因果關系和信息流動。空間分析中的微狀態分析，通過全腦電極捕捉快速變化的腦網絡動態。源定位則用于定位大腦活動的皮層來源，進而重建出神經活動的時空過程。目前，除了上述傳統分析方法外，涌現出了多種新興的分析方法，如非線性神經動力學、復雜網絡和非周期功率譜分析等。非線性神經動力學通過熵和信息量等指標捕捉腦電的非線性特征。復雜網絡將大腦視為一個復雜系統，通過圖論分析網絡的拓撲結構，以理解大腦系統級的整體特征（Lietal.，2020）。非周期功率譜分析聚焦于非周期成分，通過提取其指數和偏移量來反映神經元興奮與抑制的平衡，可以區分不同腦狀態和神經疾?。êo怡等，2025）。

可以看出，靜息態EEG分析方法正從關注節律、線性和局部的活動，逐漸向去周期化、非線性化和網絡化的方向的發展。我們將靜息態EEG的主要分析方法整理在表2中。

現有的工具包已具備了數據預處理、頻譜分析、源定位以及微狀態分析等功能，大多還提供了便于操作的用戶界面（見表3。EEGLAB工具包用于處理連續和事件相關的電生理數據，提供便于操作的用戶界面和結構化的編程環境。Brainstorm提供了直觀簡潔的用戶界面，但高級分析需要調用函數。Fieldtrip提供預處理和多種高級分析方法，但需要一定的編程基礎。MNE-Python是MNE的子項目，在可視化輸出方面具有優勢。LORETA及其衍生工具包（sLORETA/eLORETA）可對EEG信號進行溯源分析，計算源空間上的功能連接。EMEGS可用于數據的預處理、分析及可視化。SPM能夠處理包括fMRI在內的多種神經影像數據。MICROSTATELAB是基于EEGLAB開發的工具包，能夠標準化地識別、可視化和量化腦電微狀態。FOOOF是一個量化1/f活動的頻譜特征的Python工具包，可提取周期性和非周期性成分。

表2靜息態EEG的主要分析方法

表3靜息態EEG常用的分析軟件

上述軟件大多基于MATLAB與Python開發，為不同語言習慣和編程水平的用戶提供了從基礎到高階的分析功能。隨著分析技術的進步，相信未來會有更多用戶友好、方便易用的工具包出現。

5.2 人工智能

人工智能（artificialintelligence，AI）在靜息態EEG數據分析方面得到了廣泛應用。人工智能的利用標準化了EEG數據的處理，減少了人類評估者主觀決策的影響，提供了一種更客觀和透明的方法，并在可靠性方面得到了驗證（Hatzetal.，2015）。研究者還開發了靜息態EEG的計算機輔助評分工具，可更高效地處理大型數據集（Fraschini etal.，2022）。

目前，人工智能已在精神疾病診斷中廣泛應用。Tzimourta等人（2021）回顧了2009年至2020年間49項機器學習算法在靜息態EEG記錄的阿爾茨海默病（Alzheimer'sDisease，AD）分析中的應用，多數研究采用支持向量機（SupportVectorMachine，SVM從 α_a/θ 比值等指標上對阿爾茨海默病進行診斷。靜息態EEG振蕩可通過隨機森林（RandomForest，RF）回歸建模作為跨診斷預測認知功能的指標，特定頻段的EEG振蕩可成功預測執行功能等認知測試表現，且不同診斷類別間認知表現無顯著差異（Sargent etal.，2021）。更有研究者通過靜息態EEG數據和其他補充數據，使用支持向量機、隨機森林和彈性網絡（ElasticNet，EN），基于功率譜密度（PowerSpectral Density，PSD）和功能連接（FunctionalConnectivity，FC）特征建立多種精神疾病的分類模型，預測精神分裂癥、創傷應激相關障礙、焦慮障礙等6種精神障礙，準確率在 74.52% 至 93.83% （Park et al.，2021）。

雖然機器學習目前已在認知檢測，精神疾病診斷等方面已有了很多探索和成果，但EEG信號具有頻譜、連接性、微狀態等不同層次的特征，易形成高維度特征集，傳統機器學習方法依賴人工特征工程，難以有效表征神經生理數據中的高階非線性特征，且易受維度災難問題制約。相對于傳統的機器學習，深度學習有效解決了傳統分析方法的諸多局限。深度學習通過自動提取特征、建模時間依賴性以及增強對信號變異性的魯棒性，自動學習復雜的診斷相關模式，并將其輸人分類器以完成特定的神經診斷任務，目前，已得到大規模應用。通過深度卷積神經網絡（DeepConvolutionalNeuralNetwork，DCNN）模型，研究者成功識別出與特定認知狀態和行為模式相關的EEG 特征（Gemeinetal.，2024）。深度卷積神經網絡在性別預測中也具有突出表現，平衡準確率達到了 84.1% （Khayretdinovaetal.，2024）。深度學習還用于預測大腦年齡，為理解認知發展和老化提供了新視角（Gemeinetal.，2024）。特別是在臨床領域，可應用深度學習實現精準診斷、建立穩健的神經精神疾病診斷模型。Lin等人（2024）重點比較了傳統機器學習與深度學習方法在特征提取和抑郁癥診斷中的表現，他們發現深度學習能夠自動學習復雜特征表示并且在處理大規模數據集時更具優勢。具體而言，在建立抑郁癥診斷模型時，Khan等人（2024）所建立的2D-CNN模型準確率高達 100% ；Duan等人（2020）建立的DeprNet結合卷積神經網絡（ConvolutionalNeuralNetwork，CNN）和長短期記憶網絡（Long Short-Term Memory，LSTM），準確率為 99.37% ；Wan等人（2020）的HybridEEGNet準確率為 99.12% ： ΔXu 等人（2023）的CNN-LSTM模型準確率 99.9% 。研究者們還利用深度學習建立了帕金森?。≒arkinson'sDisease，PD）分類模型，在對帕金森患者和健康對照組進行分類時，模型達到了 99.2% 的準確率、 98.9% 的精確率和 99.4% 的召回率。此外，該模型對多巴胺藥物效果敏感，為帕金森病的輔助診斷和病情監測提供了有力工具（Leeetal.，2021）。

然而，現有的靜息態EEG研究仍然面臨兩大挑戰：一是缺乏大規模數據集用于穩健特征的提取和評估；二是通用模型受限于電極分布、數據格式和采樣率等，僅能在單數據集上建模。基于此，研究者們提出了多個EEG大模型。

EEG大模型展現出優異的性能，顯著提升了分類的準確性。BrainWave是基于16000名被試共40000小時數據的EEG大模型，能夠從復雜的EEG數據中提取高度可區分的特征并具備領域遷移的能力。在癲癇發作檢測任務中BrainWave的平均曲線下面積達到 91.93% ，顯著優于其他模型（Yuanetal.，2024）。EEGPT則通過自回歸預訓練的方式，采用電極建模策略，整合了138個電極的數據，積累了3750萬預訓練樣本。能夠精準捕捉EEG數據的時間序列依賴性。EEGPT在情緒識別任務中的平均準確率比傳統模型提高了5.07% ，在睡眠階段分類任務中提高了 11.20% （Yueetal.，2024）。LEAD是首個針對阿爾茨海默病EEG檢測的大模型。該模型在樣本級和被試級分類任務中表現出色，與現有方法相比分數最高提升 9.86% 。LEAD通過樣本級和被試級的對比學習，有效提取了對疾病檢測至關重要的EEG特征，同時將個體間差異的干擾降到最低（Wang et al.， 2025）。

值得一提的是，靜息態EEG具有采集方式簡單、無需外界刺激、被試群體廣、多場景適配的特點。結合可穿戴設備，非常有潛力形成萬人以上大樣本數據集。EEG大模型為靜息態EEG數據的擴充提供了新的出路。FEMBA采用雙向狀態空間建模，相較于傳統的變換器（Transformer）架構極大地提高了處理大規模EEG數據的效率并降低了計算成本。該模型提供了不同大小的模型變體，其中微小模型（7.8M參數）在資源受限的設備上表現出色，為可穿戴設備的實時EEG監測提供了可能（Tegonetal.，2025）。人工智能還可用于靜息態EEG數據生成。Pan等人（2024）利用深度學習方法生成合成EEG數據，這些數據在頻率特征上與真實數據高度一致，用于訓練時分類準確率最高提高了 35.67% 。Carrle等人（2023）基于公開數據集采用條件Wasserstein生成對抗網絡（ConditionalWassersteinGenerativeAdversarialNetwork，cWGAN生成與真實數據在時域和頻域上高度相似的數據，提升了近 10% 的重度抑郁癥診斷準確率。Farahzadi等人（2025）基于萊比錫心腦身數據庫，生成的EEG信號在統計和頻譜特征一致性方面和真實數據幾乎沒有差異。

隨著人工智能技術的迅猛發展，人工智能在靜息態EEG中的應用必將持續擴大。與大樣本數據庫相結合，未來研究者們將識別出更多神經精神疾病的EEG標記物，進一步提高診斷準確性和促進個性化醫療方法，同時簡化診斷過程，改善患者的預后效果，建立疾病診斷的精準模型（Kurbatskayaetal.，2023）。人工智能特別是EEG大模型有望擴充已有的靜息態EEG數據，打破被試群體和大腦狀態的限制，解決特定臨床場景下EEG數據的匱乏問題。目前靜息態EEG已經成為電生理結合人工智能的先行示范領域。

6討論

6.1 數據共享的FAIR原則

國際數據貢獻的FAIR原則（可查找、可訪問、可互操作、可重用）。為數據共享提供了明確的指導框架。該框架旨在提升數據的透明性和公平性，確保數據能夠在不同研究者之間高效共享和利用（Wilkinsonetal.，2016）。然而，當前EEG數據共享仍面臨諸多挑戰。不同實驗室使用不同的采集設備和數據格式，限制了數據的可訪問性和可操作性。

共享數據的存儲和流通需要有通用的EEG數據共享格式。EEG的腦成像數據結構（BrainImagingDataStructure，BIDS）是一種國際公認的EEG數據格式標準，定義了數據的目錄結構、文件命名規則和元數據格式（Gorgolewskietal.，2016）。該標準通用于包括Openneuro在內的多個數據共享平臺。EEG-BIDS規范要求以被試為單位來進行數據組織，每個被試的數據目錄包含多個實驗和數據模態的子目錄，并配備描述數據集的說明文檔?？梢酝ㄟ^多種工具包和軟件將原始EEG數據轉換為BIDS格式：（1）EEG分析包中包含的BIDS轉換器;（2）用于數據查詢和相關操作的通用工具，例如PyBIDS和BIDS-MATLAB;（3）BIDS分析工具如BIDSApps。EEG信號常見的存儲格式有EDF、GDF等。各個格式間的轉化常需要借助其他外部工具，給數據集的共享和流通造成了障礙。其中，EDF格式及其擴展版本EDF+格式是電生理信號最常見的存儲格式，簡單且通用性強，支持多種類型生理信號的存儲。包括文件頭和數據兩個部分，文件頭信息記錄了信號的采樣率、通道數、信號類型等基本信息，數據部分則按通道存儲了具體的信號值。目前EEG-BIDS也將EDF作為其推薦格式。

通過FAIR原則的實施特別是EEG-BIDS的推廣，有望進一步推動靜息態EEG的數據共享。

6.2我國靜息態EEG研究發展動態

目前我國共享的數據集數量相對較少，已公開的數據集包括睡眠剝奪的靜息態EEG數據（Xiangetal.，2024），精神障礙分析中多模態開放數據集（Caietal.，2022）等。國內腦科學研究領域更傾向于共享靜息態fMRI數據，而EEG數據由于其易獲得性和較為嚴重的噪聲問題，公開數據集數量較少。另一方面，國內已啟動多個大規模的EEG和腦機接口項目，將極大豐富國內腦電數據的采集和共享。例如中國腦計劃，旨在建立中國人腦健康的多維度大數據庫，為重大腦疾病的精準診斷和干預提供支持（陸林等，2022）。在分析軟件方面，國內學者開發的參考電極標準化技術（Referenceelectrodestandardizationtechnique，REST），可實現多通道EEG記錄轉換為近似零參考，從而降低其他參考帶來的潛在偏差（Dong et al.，2017）。

為提升我國靜息態EEG研究的國際影響力，應大力推行開放科學文化，促進國際合作。相信未來國內EEG數據的共享和分析軟件的開發將取得更多成果，為全球腦科學研究貢獻更多的中國智慧。

6.3對腦健康的意義

未來研究可通過構建大規模隊列研究來進一步擴展靜息態EEG的應用領域。靜息態EEG易于采集，適應人群廣泛，適合建立大規模數據庫。然而，高密度、高采樣率數據集的稀缺限制了它的應有推廣。我們建議研究者有計劃地建立靜息態EEG大數據庫，重點推進以下幾個方向：（1）擴大數據庫的規模和提高質量；（2）臨床領域數據覆蓋更廣泛的神經精神疾病群體，如癲癇、精神分裂癥、孤獨癥等；（3）重視嬰幼兒、青少年和老年群體數據庫的構建，實現各生命周期的全覆蓋。此外，縱向隊列研究的設計有助于追蹤大腦活動模式隨年齡的變化，這對于理解神經退行性疾病和認知老化過程至關重要。

技術的進步將是靜息態EEG發展的重頭戲。首先，電極類型將會更具多樣性，如柔性電極和干電極的使用，在長時程記錄上將有長足發展;其次，圖像識別的進步將使電極定位更加便捷高效；最后，人工智能技術的融合將為靜息態EEG數據分析提供新的視角，機器學習和深度學習將極大提高數據處理的效率和精確度，甚至將從技術層面上大幅度擴充現有的數據集。我們期望通過人工智能揭示EEG數據中更加精確的生物標志物，從而為早期干預和個性化治療提供客觀指標。

結合大樣本隊列實驗，傳感器技術和人工智能技術，未來有望構建更加精確的大腦功能網絡模型，為神經精神疾病的病理機制提供新的見解。這不僅將推動基礎神經科學的研究，也將為臨床實踐帶來革命性的變革，特別是在疾病預防、早期診斷和治療策略的制定上。靜息態EEG的開放獲取必將為全球范圍內的腦健康提供科學依據和技術支持。

7結論

高密度靜息態EEG數據的開放獲取對于推動認知神經科學的進展具有重要意義。通過對現有公開數據庫的匯總和分析，我們可以看到靜息態EEG對揭示大腦內在活動模式、理解神經精神疾病的生物標志物以及探索人類認知和行為的神經基礎等至關重要。但目前公開獲取的數據集在地理分布、被試人群以及應用領域上仍不均衡。未來需要構建更加規范和多樣的數據庫，開發更加先進的數據處理工具，以促進高密度靜息態EEG數據的有效利用。隨著技術的進步和數據共享文化的成熟，我們相信，高密度靜息態EEG將為揭示人類大腦的奧秘提供強有力的數據支持。

參考文獻

胡靜怡，白朵，雷旭.（2025）.靜息態EEG/MEG的非周期 成分：分析流程、應用進展和未來前景．心理科學進展， 33（8），1321-1339.

雷旭，堯德中.（2014）.同步腦電-功能磁共振（EEG-fMRI） 原理與技術.北京：科學出版社.

陸林，劉曉星，袁凱.（2022）.中國腦科學計劃進展．北京 大學學報（醫學版），54（5），791-795.https：//doi.org/ 10.19723/j.issn.1671-167X.2022.05.002

覃慧怡，汪玉林，雷旭.（2024）.頭皮腦電重測信度的研究 進展．中國生物醫學工程學報，43（1），106-116.

Ashburner，J.（2012）.SPM：Ahistory.NeuroImage，62（2）， 791-800.

Babayan，A.，Erbey，M.，Kumral，D.，Reinelt，J.D.，Reiter，A. M.，Robbig，J.，..Bazin，P.-L.（2019）.Amind-brain-body dataset of MRI， EEG， cognition， emotion， and peripheral physiology in young and old adults.Scientific Data， 6（1）， 1-21.

Berger，H.（193o）.Electroencephalogram of humans.Journal furPsychologieundNeurologie，40，160-179.

Bigdely-Shamlo，N.，Mullen，T.，Kothe，C.，Su，K.-M.，amp; Robbins，K.A. （2015）. The PREP pipeline： Standardized preprocessing for large-scale EEG analysis.Frontiers in Neuroinformatics，9，16.

Birn，R.M.（20l2）.The role of physiological noise in resting-state functional connectivity.NeuroImage，62（2）， 864-870.

Bosch-Bayard，J.，Biscay，R.J.，Fernandez，T.，Otero，G.A， Ricardo-Garcell，J.，Aubert-Vazquez，E.，Evans，A.C.，amp; Harmony， T. （2022）.EEG effective connectivity during thefirst year of life mirrors brain synaptogenesis， myelination， and early right hemisphere predominance. NeuroImage，252，119035.

Cai，H.，Yuan，Z.，Gao，Y.，Sun，S.，Li，N.，Tian，F.，..Li，X. （2022）.A multi-modal open dataset for mental-disorder analysis.ScientificData，9（1），178.

Cao，Q.，Wang，Y.，Ji，Y.，He，Z.，amp;Lei，X.（2024）.RestingstateEEG revealsabnormal microstatecharacteristicsof Depression with Insomnia. Brain Topography，37（3）， 388-396.

Carrle，F.P.，Hollenbenders，Y.，amp;Reichenbach，A.（2023）. Generation of synthetic EEG data for training algorithms supporting the diagnosis of major depressive disorder. FrontiersinNeuroscience，17，1219133.

Cecchetti，G.，Agosta，F.，Basaia，S.，Cividini，C.，Cursi，M.， Santangelo，R.，..Filippi，M.（2021）.Resting-state electroencephalographicbiomarkersofAlzheimer's disease.NeuroImage： Clinical，31，102711.

Chu，C.J.（2014）.High density EEG—What do we have to lose？Clinical Neurophysiology，126（3），433-434.

deAguiar Neto，F.S.，amp; Rosa，J.L.G.（2019）.Depression biomarkers using non-invasive EEG：A review.Neuroscience amp;BiobehavioralReviews，105，83-93.

Deco，G.，Jirsa，V.K.，amp; McIntosh，A.R.（2011）.Emerging concepts for the dynamical organization of resting-state activityin the brain.Nature ReviewsNeuroscience，12（1）， 43-56.

Delorme，A.，amp; Makeig，S.（2004）.EEGLAB：An open source toolbox for analysis of single-trial EEG dynamics including independent component analysis. Journal of Neuroscience Methods，134（1），9-21.

Ding，L.，Duan，W.， Wang，Y.，amp; Lei， X. （2022）.Test-etest reproducibility comparison in resting and the mental task states：A sensor and source-level EEG spectral analysis. InternationalJournal ofPsychophysiology，173，20-28.

Dong，L.，Li，F.，Liu，Q.，Wen，X.，Lai，Y.，Xu，P.，amp;Yao，D. （2017）.MATLAB toolboxesfor referenceelectrode standardization technique （REST） of scalp EEG.Frontiers in Neuroscience，11，601.

Donoghue，T.，Haller，M.，Peterson，E.J.，Varma，P.， Sebastian，P.，Gao，R.，...Knight，R.T.（2020）. Parameterizing neural power spectra into periodic and aperiodic components. Nature Neuroscience， 23（12）， 1655-1665.

Duan，L.，Duan，H.，Qiao，Y.，Sha，S.， Qi，S.，Zhang，X.. Wang， C. （2020）. Machine learning approaches for MDD detection and emotion decoding using EEG signals. FrontiersinHumanNeuroscience，14，284.

Duan，W.，Chen，X.，Wang，Y.-J.，Zhao，W.，Yuan，H.，amp;Lei， X.（2021）.Reproducibility of power spectrum， functional connectivity and network construction in resting-state EEG.Journal ofNeuroscienceMethods，348，108985.

Dzianok，P.，Wojciechowski，J.，Wolak，T.，amp; Kublik，E. （2025）.Alzheimer's disease-like features in resting state EEG/fMRI of cognitively intact and healthy middle-aged APOE/PICALM risk carriers.Journal of Alzheimer's Disease，104（2）， 509-524. https：//doi.org/10.1177/1387 2877251317489

Farahzadi，Y.，Ansarinia，M.，amp;Kekecs，Z.（2025）.YAREGAN：Yet another resting state EEG-GAN.arXiv. https：// doi.org/10.48550/arxiv.2503.02636

Ferrari，M.，amp;Quaresima，V.（2012）.Abrief reviewon the history of human functional near-infrared spectroscopy （fNIRS） development and fields of application. NeuroImage， 63（2），921-935.

Fraschini，M.，LaCava，S.M.，Rodriguez，G.， Vitale，A.，amp; Demuru， M. （2022）. Scorepochs： A computer-aided scoring tool for resting-state M/EEG epochs.Sensors， 22（8），2853.

Gemein，L.A.，Schirrmeister，R.T.，Boedecker，J.，amp;Ball，T. （2024）.Brain age revisited： Investigating the state Vs. trait hypotheses of EEG-derived brain-age dynamics with deep learning.ImagingNeuroscience，2，1-22.

GilAvila，C.，Bott，F.S.，Tiemann，L.，Hohn，V.D.，May，E. S.，Nickel，M.M.，Zebhauser，P.T.，Gross，J.，amp;Ploner，M. （2023）.Discover-EEG：An open， fully automated EEG pipeline for biomarker discovery in clinical neuroscience. Scientific Data，10（1），613.

Gorgolewski，K.J.，Auer， T.，Calhoun，V.D.，Craddock，R. C.，Das，S.，Duff，E.P.，...Poldrack，R.A.（2016）.The brainimaging data structure，a format for organizing and describing outputs of neuroimaging experiments. Scientific Data，3（1），16004.

Gramfort， A.， Luessi， M.， Larson， E.， Engemann， D.A.， Strohmeier，D.，Brodbeck，C.，...Hamalainen，M.（2013）. MEG and EEG data analysis with MNE-Python. Frontiers inNeuroinformatics，7，267.

Hatz，F.，Hardmeier，M.，Bousleiman，H.，Ruegg，S.， Schindler，C.，amp; Fuhr，P.（2015）.Reliabilityof fully automatedversusvisually controlled pre-and postprocessing of resting-state EEG. Clinical Neurophysiology， 126（2），268-274.

Heunis，T.-M.，Aldrich，C.，amp; deVries，P.J.（2016）.Recent advances in resting-state electroencephalography biomarkers forautism spectrum disorder—A review ofmethodological andclinical challenges.Pediatric Neurology，61，28-37.

Huberty，S.，Carter Leno，V.，van Noordt，S.J.，Bedford，R.， Pickles，A.，Desjardins，J.A.，...Elsabbagh，M.（2021）. Association between spectral electroencephalography power and autism risk and diagnosis in early development. AutismResearch，14（7），1390-1403.

Ingber，L.，amp; Nunez，P.L.（2ol1）.Neocortical dynamics at multiple scales：EEG standing waves，statistical mechanics， andphysical analogs.Mathematical Biosciences，229（2）， 160-173.

Jiang，Y.，Mu，Y.，Xu，Z.，Liu，Q.，Wang，S.，Wang，H.，amp; Feng，J. （2024）.Identifying individual brain development using multimodality brain network. Communications Biology， 7（1）， 1163.

Jones，D. （201O）.A WEIRD view of human nature skews psychologists'studies.Science，328（5986）， 1627.https：// doi.org/10.1126/science.328.5986.1627

Kabbara，A.，Robert， G.，Khalil， M.，Verin，M.，Benquet，P.， amp;Hassan， M. （2022）. An electroencephalography connectome predictive model of major depressive disorder severity. Scientific Reports，12（1），6816.

Khan，S.，Umar Saeed，S.M.，Frnda，J.，Arsalan，A.，Amin， R.，Gantassi，R.，amp; Noorani，S.H. （2024）.A machine learning based depression screening framework using temporal domain features of the electroencephalography signals.PloS One，19（3），e0299127.

Khanna，A.，Pascual-Leone，A.，Michel， C.M.，amp;Farzan，F. （2015）.Microstates in resting-state EEG： Current status andfuture directions.Neuroscienceamp; Biobehavioral Reviews，49，105-113.

Khayretdinova，M.， Zakharov，I.， Pshonkovskaya，P.， Adamovich，T.，Kiryasov，A.，Zhdanov，A.，amp;Shovkun，A. （2024）.Prediction of brain sex from EEG：Using largescale heterogeneous dataset for developinga highly accurate and interpretableML model.NeuroImage，285，120495.

Koenig，T.，Studer，D.，Hubl，D.，Melie，L.，amp; Strik，W. （2005）.Brain connectivityat differenttime-scalesmeasured with EEG. Philosophical Transactions ofthe Royal Society B：Biological Sciences，360（1457），1015-1024.

Kurbatskaya，A.，Jaramillo-Jimenez，A.，Ochoa-Gomez，J.F.， Bronnick，K.，amp; Fernandez-Quilez，A.（2023）.Machine

learning-based'detection of Parkinson’s disease from

resting-state EEG： A multi-center study. In Proceedings of the Annual International Conference of the IEEE Engineering in Medicine and Biology Society （pp. 1-4）. IEEE Engineering in Medicine and Biology Society.

Lantz，G.，De Peralta，R.G.，Spinelli，L.，Seeck，M.，amp; Michel， C. （2oo3）.Epileptic source localization with high density EEG：How many electrodes are needed？ Clinical Neurophysiology，114（1），63-69.

Lee，M.H.，Smyser，C.D.，amp; Shimony，J.S.（2013）.Restingstate fMRI： A review of methods and clinical applications. AmericanJournal ofNeuroradiology，34（10），1866-1872.

Lee，S.，Hussein，R.，Ward，R.，Wang，Z.J.，amp;McKeown，M.

J. （2021）.A convolutional-recurrent neural network approach to resting-state EEG classification in Parkinson’s disease. Journal ofNeuroscienceMethods，361，109282.

Li，N.，Yang，J.，Long，C.，amp;Lei，X.（2024）.Test-retest reliability of EEG aperiodic components in resting and mental task states.Brain Topography，37（6），961-971.

Li，Z.，Zhang，L.，Zhang，F.，Gu，R.，Peng，W.，amp; Hu，L. （2020）.Demystifying signal processing techniques to extract resting-state EEG features for psychologists. Brain Science Advances，6（3），189-209.

Lin，H.，Fang，J.，Zhang，J.，Zhang，X.，Piao，W.，amp;Liu，Y. （2024）. Resting-state electroencephalogram depression diagnosis based on traditional machine learning and deep learning： A comparative analysis. Sensors，24（21）， 6815.

Martinek，R.，Ladrova，M.，Sidikova，M.，Jaros，R.， Behbehani，K.，，Kahankova，R.，amp; Kawala-Sterniuk，A. （2021）.Advanced bioelectrical signal processing methods： Past，present and future approach—Part II：Brain signals. Sensors，21（19），6343.

Meghdadi，A.H.，StevanovicKaric，M.，McConnell，M.， Rupp，G.，Richard， C.， Hamilton，J.，Salat，D.，amp; Berka，C. （2021）.Resting state EEG biomarkers of cognitive decline associated with Alzheimer's disease and mild cognitive impairment.PloS One，16（2），e0244180.

Nagabhushan Kalburgi， S.，Kleinert，T.，Aryan，D.，Nash，K.， Schiller，B.，amp; Koenig，T.（2024）.MICROSTATELAB： TheEEGLAB toolbox for resting-state microstate analysis. Brain Topography，37（4），621-645.

Newson， J.J.，amp; Thiagarajan， T. C. （2019）.EEG frequency bands in psychiatric disorders：A review of resting state studies.FrontiersinHumanNeuroscience，12，521.

Nour，M.，Senturk，U.，amp;Polat，K.（2024）.A novel hybrid model in the diagnosisand classification of Alzheimer's disease using EEG signals： Deep ensemble learning （DEL） approach. Biomedical Signal Processing and Control，89， 105751.

O'Donnell， A.，Pauli，R.，Banelis，L，Sokoliuk，R.，Hayton， T.，Sturman，S.... Cruse，D. （2021）. The prognostic value of resting-state EEG in acute post-traumatic unresponsive states.Brain Communications，3（2），fcab017.

Olateju，E.，Ayodele，K.，amp;Mosaku，S.（2023）.Nigerian schizophrenia EEG dataset （NSzED） towards data-driven psychiatryin Africa. arXiv.https：//doi.org/10.48550/arxiv. 2311.18484

Oostenveld，R.，Fries，P.，Maris，E.，amp; Schoffelen，J.-M. （2011）.FieldTrip：Open source software for advanced analysis of MEG， EEG，and invasive electrophysiological data.Computational Inteligence and Neuroscience，2011（1）， 156869.

O'reilly，C.，Gosselin，N.，Carrier，J.，amp;Nielsen，T.（2014）. Montreal Archive of Sleep Studies： An open - access resource for instrument benchmarking and exploratory research.Journal of Sleep Research，23（6）， 628-635.

Pan，Y.，Li，N.，Zhang，Y.，Xu，P.，amp; Yao，D.（2024）.Shortlength SSVEP data extension by a novel generative adversarialnetworksbasedframework. Cognitive Neurodynamics，18（5），2925-2945. https：//doi.org/10.1007/ s11571-024-10134-9

Park，S.M.，Jeong，B.，Oh，D.Y.， Choi， C.-H.， Jung，H.Y.， Lee，J.-Y.，Lee，D.，amp; Choi，J.-S.（2021）.Identification ofmajorpsychiatric disordersfrom resting-state electroencephalographyusinga machinelearning approach.Frontiers inPsychiatry，12，707581.

Pascual-Marqui， R.D.，Esslen， M.，Kochi，K.，amp; Lehmann， D.（2002）.Functional imaging with low-resolution brain electromagnetic tomography （LORETA）：Areview.Methods andFindingsin Experimental and Clinical Pharmacology， 24（Suppl C）， 91-95.

Pedroni，A.，Bahreini，A.，amp;Langer，N.（2019）.Automagic： Standardized preprocessing of big EEG data. NeuroImage， 200，460-473.

Peyk，P.，De Cesarei，A.，amp; Junghofer，M.（2011）. ElectroMagnetoEncephalography software：Overview and integration with other EEG/MEG toolboxes.Computational Intelligence and Neuroscience，20ll（1），861705.

Sargent，K.，Chavez-Baldini，U.，Master，S.L.， Verweij，K.J.， Lok，A.，Sutterland，A.L.，...Nieman，D.H.（2021）. Resting-state brain oscillationspredict cognitive function inpsychiatric disorders：A transdiagnostic machine learningapproach.Neurolmage：Clinical，3o，102617.

Shi，Y.，Ji，M.，Zhong，F.，Jiang，R.，Chen，Z.，Zhang，.. Wang，W. （2024）.Resting-state EEG microstate analysis reveals potential biomarkers for subclinical insomnia. Brain-Apparatus Communication： A Journal of Bacomics， 3（1）， 2388106.

Shoka，A.，Dessouky，M.，El-Sherbeny，A.，amp;El-Sayed，A （2019）.Literature reviewon EEG preprocessing，feature extraction，and classifications techniques.Menoufia Journal of Electronic Engineering Research，28（1）， 292-299.

Sohrabpour，A.，Lu，Y.，Kankirawatana，P.，Blount，J.，Kim， H.，amp;He，B.（20l5）.Effect of EEG electrode number on epileptic source localization in pediatric patients.Clinical Neurophysiology，126（3），472-480.

Stam，C.，，Tewarie，P.，Van Dellen，E.，Van Straaten，E.， Hillebrand，A.，amp;VanMieghem，P.（2014）.The trees and the forest： Characterization of complex brain networks with minimum spanning trees.International Journal of Psychophysiology，92（3），129-138.

Sterpenich，V.，vanSchie，M.K.，Catsiyannis，M.，Ramyead， A.，Perrig，S.，Yang，H.-D.， Van De Ville，D.，amp; Schwartz， S.（2021）. Reward biases spontaneous neural reactivation during sleep.Nature Communications，12（1），4162.

Stoyell， S.M.， Wilmskoetter，J.，Dobrota，M.-A.， Chinappen， D.M.，Bonilha，L.，Mintz，M.，...Chu，C.J.（2021）. High-density EEG in current clinical practice and opportunities for the future.Journalof Clinical Neurophysiology，38（2），112-123.

Sun，S.T.，Chen，H.Y.，Luo，G.，Yan，C.，Dong，Q.X.，Shao， X.X.，Li，X.W.，amp; Hu，B.（2023）.Clustering-fusion feature selection method in identifying major depressive disorder based on resting state EEG signals.IEEE Journal ofBiomedical andHealth Informatics，27（7），3152-3163.

Tadel，F.，Bock，E.，Niso，G.，Mosher，J.C.，Cousineau，M.， Pantazis，D.，Leahy，R.M.，amp; Baillet，S.（2019）. MEG/EEG group analysis with brainstorm. Frontiers in Neuroscience，13，76.

Tai，Y.F.，amp; Piccini，P.（2004）.Applications of positron emission tomography （PET） in neurology. Journal of Neurology，Neurosurgeryamp;Psychiatry，75（5），669-676.

Tang，T.，Li，C.，Zhang，S.，Chen，Z.，Yang，L.，Mu，Y.，. Zhu，Y. （2024）.A hybrid graph network model for ASD diagnosis based on resting-state EEG signals.Brain ResearchBulletin，206，110826.

Tegon，A.，Ingolfsson，T.M.，Wang，X.，Benini，L.，amp;Li，Y. （2025）.FEMBA：Efficient and scalable EEG analysiswith abidirectional mamba foundation model.arXiv.https：// doi.org/10.48550/arxiv.2502.06438

Tzimourta， K.D.，Christou，V.，Tzallas，A.T.，Giannakeas， N.，Astrakas，L.G.，Angelidis，P.，Tsalikakis，D.，amp; Tsipouras，M.G.（2021）.Machine learningalgorithms and statistical approaches for Alzheimer’s disease analysis based on resting-state EEG recordings： A systematic review.International Journal of Neural Systems，31（5）， 2130002.

Van Den Heuvel，M.P.，amp;Pol，H.E.H.（2010）.Exploring the brain network： A review on resting-state fMRI functional connectivity. European Neuropsychopharmacology 20（8），519-534.

Van Diessen，E.， Numan， T.，Van Dellen，E.，Van Der Kooi， A.，Boersma，M.，Hofman，D.，...Stam，C.J.（2015）. Opportunities and methodological challenges in EEG and MEG resting state functional brain network research. Clinical Neurophysiology， 126（8），1468-1481.

Varatharajah，Y.，Berry，B.，Joseph，B.，Balzekas，I.，Kremen， V.，Brinkmann，B.，Worrell，G.，amp; Iyer，R.（2020）. Electrophysiological correlates of brain health help diagnose epilepsy and lateralize seizure focus.In Proceedings of the Annual International Conference of the IEEE Engineering in Medicine and Biology Society （pp. 3460-3464）. IEEE Engineering in Medicine and Biology Society.

Wan，Z.，Huang，J.，Zhang，H.，Zhou，H.，Yang，J.，amp; Zhong， N.（2020）.HybridEEGNet：A convolutional neural network for EEG feature learning and depression discrimination. IEEEAccess，8，30332-30342.

Wang，Y.，Huang，N.，Mammone，N.，Cecchi，M.，amp; Zhang， X.（2025）. LEAD： Large foundation model for EEG-Based Alzheimer's disease detection.arXiv. https：//doi.org/10. 48550/arxiv.2502.01678

Wilkinson，M.D.，Dumontier，M.，Aalbersberg，I.J.， Appleton，G.，Axton，M.，Baak，A.，...Mons，B.（2016）. The FAIR guiding principles for scientific data management and stewardship.Scientific Data，3（1），160018.

Xiang，C.，Fan，X.，Bai，D.，Lv，K.，amp; Lei，X.（2024）.A resting-stateEEGdataset for sleep deprivation.Scientific Data，11（1），427.

Xu，Y.，Zhong，H.，Ying，S.，Liu，W.，Chen，G.，Luo，X.，amp;Li， G.（2023）.Depressive disorder recognition based on frontal EEG signals and deep learning. Sensors，23（20），8639.

Yuan，Z.，Shen，F.，Li，M.，Yu，Y.，Tan，C.，amp;Yang，Y.（2024）. BrainWave：A brain signal foundation model for clinical applications.arXiv.https：//doi.org/10.48550/arxiv.2402.10251

Yue，T.，Xue，S.，Gao，X.，Tang，Y.，Guo，L.，Jiang，J.，amp;Liu， J.（2024）.EEGPT：Unleashing the potential of EEG generalist foundation model by autoregressive pre-training arXiv.https：//doi.org/10.48550/arxiv.2410.19779

Zhang，H.，Xu，D.，Wang，Y.，amp;Lei，X.（2023）.The relation between the power of prefrontal gamma in rest-state EEG under normal sleep and reactive aggression behaviour after sleep deprivation. Brain Topography，36（1），42-51.

High-density resting-state EEG open-access data： Current status， challenges， and future perspectives

GUO Yatong， HU Jingyi， LEI Xu （FacultyofPsychology，SouthwestUniversity，Chongqing40o715，China）

Abstract： This study systematically examines the current landscape， typical applications，and future prospects of open-access high-density resting-state electroencephalography （EEG）.Resting-state EEG is widely utilized due to its experimental simplicity，cost-effectiveness，noninvasiveness，and high temporal resolution. Currently，most internationally shared datasets originate from Europe and North America， primarily comprising healthy young and middle-aged populations. These datasets have significantly contributed to both fundamental research and clinical applications， with notable achievements in biomarker discovery for mental illnesses.However，existing databases exhibit limitations in geographic diversity， population coverage，acquisition protocols，and longitudinal cohort design. Future efforts should focus on expanding sample diversity， conducting longitudinal studies with multimodal psychophysiological assessments，developing multicenter large-scale data processing tools，integrating artificial intelligence techniques，and adhering to FAIR （Findable，Accessble，Interoperable，and Reusable） data-sharing principles. Open-access high-density resting-state EEG will provide robust data support for precise brain function evaluation.

Keywords：restingstate，openaccess，high-densityEEG， dataset，FAIR principle