Scientific Data | 探索虚拟现实导航的脑电图（EEG）数据集

随着 VR 技术的发展，其凭借 “生态有效性 + 环境可控性” 的独特优势，成为研究人类空间导航、社交互动等复杂认知过程的理想工具。而 EEG 能以毫秒级时间分辨率捕捉大脑动态活动，二者结合可实现 “行为表现 - 神经机制” 的直接关联，为解析导航策略与情绪互动的底层逻辑提供可能。然而，现有研究存在明显局限。

多数数据集仅聚焦单一空间导航任务，缺乏对社交刺激与导航行为交互作用的探索；

未充分整合个体焦虑水平、主观偏好等心理特质数据，难以揭示个体差异的神经基础；

数据标准化程度低，跨研究对比与复用难度大。

为填补导航研究中的关键空白 —— 即空间 - 社交行为研究中生态有效性与神经生理研究深度不足的问题，研究团队构建了一套 VR-EEG 数据集。此外，研究人员还设计了一系列任务，要求被试在复杂虚拟场景中导航的同时参与社交互动，同步采集 EEG 数据以捕捉任务执行过程中的大脑活动。该数据集不仅包含 EEG 记录，还涵盖多种行为表现指标，如导航效率、主观焦虑评估及空间与社交轨迹信息。这些行为指标使我们能够考察导航策略与社交焦虑水平对空间认知及社交行为的影响，为解析沉浸式体验中的大脑功能动态提供参考。

1. 被试群体

招募 60 名健康大学生（18-36 岁，平均 22.6 岁，男女各 30 名），均无临床焦虑诊断，但通过标准化量表评估出不同程度的亚临床焦虑。所有被试为右利手，视力正常或矫正正常，无 VR 晕动症。

2. 实验核心设计

（1）VR 任务场景

（2）实验流程

① 问卷填写 + 静息态 EEG 采集（1 分钟）；

3. 多维度数据采集

（1）EEG 数据采集与处理

采集参数：采用 Smarting Pro 32 通道 EEG 设备 (南京尖创科技为mBrainTrain 脑电设备的中国区代理商)，遵循国际 10-20 电极系统布局，采样率 500Hz，同步记录静息态、练习阶段及正式任务阶段的脑电信号；

预处理流程：① 数据分段：按实验标记将原始数据分为静息态、练习态、任务态 EEG；② 滤波与去噪：去除噪声通道后，进行 1-40Hz 带通滤波，50Hz 陷波滤波消除工频干扰，采用平均参考校正提升电极间可比性；③ 伪迹修复：通过球面样条插值修复存在显著电压尖峰或持续平线伪迹的通道；④ 进一步去噪：1-47 号被试采用伪影子空间重建（ASR）算法处理任务态数据（48-60 号被试因采集时自动激活 ASR 滤波器，未额外处理），随后通过独立成分分析（ICA）结合 mne_icalabel 工具自动标记并移除眼动、心血管活动、肌电等非神经伪迹；⑤ 数据分段与分析：任务态 EEG 按事件标记分为接近阶段（-2~0 秒）、互动阶段（-1~4 秒）、离开阶段（4~6 秒），构建 “奖惩 × 空间 / 社交”2×2 实验设计；时频分析采用 MNE-Python 工具包，通过 Morlet 小波分解，在 - 0.3~-0.1 秒区间进行基线校正，聚焦双侧颞顶联合区（TPJ）与前额叶皮层的 α、θ 波功率；⑥ 数据标准化：最终数据按 EEG-BIDS 格式整理，确保可重复性。

图 1. (a) 实验设备，其中包括用于 EEG 数据采集的 mbt Smarting PRO 设备；(b) 数据处理；(c) 实验流程；(d) 数据模态。

图 2. EEG 数据预处理流程。(a) 数据分段与分类；(b) 参考校正与滤波；(c) 坏道插值；(d) 伪影子空间重建（ASR）去噪；(e) 独立成分分析（ICA）；(f) 数据集构建。

（2）行为轨迹数据采集与处理

采集参数：以 1000Hz 采样率记录被试导航过程中的 X、Y、Z 坐标及东部标准时间，X、Z 为平面坐标，Y 反映头部运动（如点头、摇头）导致的高度变化，同时记录试次类型、互动对象坐标、奖惩类型及路障位置；

核心指标计算：① 基础指标：路径长度、导航时长、连续速度；② 特殊指标：停顿时间、接近 / 离开速度；③ 轨迹复杂性：基于香农信息论计算轨迹熵，熵值越高表示路径越不规则，导航效率越低。

图 3. 轨迹分析流程。收集多个被试（被试 01 至被试 n）和多个试次（试次 1 至试次 36）的数据，包括位置坐标和时间戳。根据试次类型（空间导航、社交导航、记忆召回）将这些数据整合为表格，对每位被试的轨迹进行可视化处理以呈现移动模式；计算每条轨迹的接近距离与离开距离，并提取每个试次的接近时间、接近速度、离开时间等额外指标，最终整理为综合表格。

1. 数据组织格式

数据集严格遵循 EEG-BIDS 结构规范（脑成像数据结构 BIDS 的 EEG 扩展版本），整体包含标准 BIDS 文件、60 名被试的数据文件夹、衍生数据文件夹（derivatives）及表型数据文件夹（phenotype），核心文件包括dataset_description.json（记录数据集名称、类型、作者等基础信息）、participants.tsv 及 participants.json（分别记录被试年龄、性别、利手等详情，及表格列属性定义）、README 文件（详细说明数据采集流程、文件结构及使用注意事项）。

所有行为数据以 TSV 格式存储，配套 JSON 描述文件；EEG 数据按实验轮次整理，以.eeg 格式保存，辅以 eeg.json（记录采样率、任务名称等）、event.tsv（记录事件触发值、起始时间等）及 channel.tsv（记录电极状态）等文件。

2. 文件夹结构

被试个人文件夹：含 “beh（行为数据）” 和 “eeg（EEG 数据）” 子文件夹，行为数据涵盖导航焦虑评分、轨迹数据、记忆测试表现等，EEG 数据包含静息态、练习态、任务态三类数据及对应标记文件；

衍生数据文件夹：分为 “epoch” 和 “preprocessed” 子文件夹，前者以 FIF 格式存储 3×2×2（阶段 × 奖惩 × 任务类型）条件下的预处理 EEG 时程数据，后者按被试分类，包含预处理后的 EEG 数据、轨迹数据及会话日志；

表型数据文件夹：存储所有被试的问卷数据。

3. 数据共享与许可

由于文件体量较大，数据集以 ZIP 格式上传至平台，确保数据连续性。完整数据集可通过科学数据库（ScienceDB）的心理科学数据库（PsyDB）公开获取（访问链接：https://www.scidb.cn/en/detail?dataSetId=9cacad83bdaa45d08a264c7f2d21a222&version=V1&code=o00115），遵循知识共享署名 1.0 国际公共许可协议（CC BY 1.0），允许非商业用途的共享、分发与复制。

1. ERP 分析

聚焦接近、互动、离开三个任务阶段，基于 “奖惩 × 空间 / 社交” 四条件分类数据，计算各条件下的 ERP 总平均波形，并通过显著性检验（p<0.05）标记差异时间点。结果显示，接近阶段的社交条件与空间条件均存在显著主效应，但在双侧颞顶联合区和前额叶皮层等感兴趣区域未检测到显著差异。这一结果与 VR 导航的开放性、低通道 EEG 空间分辨率限制等因素相关，与过往同类研究结论一致。

2. 时频分析（TFA）

采用 Morlet 小波变换，针对 δ（0.5-4Hz）、α（8-13Hz）、β（13-30Hz）频段，分析三个任务阶段的脑电功率变化，并通过聚类置换检验标记显著时间 - 频率区域。结果显示互动阶段（-1~4 秒）除 “惩罚 - 宝箱” 条件外，其余三条件（惩罚 - 虚拟人、奖励 - 虚拟人、奖励 - 宝箱）均存在显著激活区域；奖励 - 虚拟人条件下，1-4 秒时段可观察到显著的 θ 波激活，β 波在多条件下均有明显激活；组间差异分析清晰呈现了 “同刺激类型下奖惩对比” 和 “同奖惩类型下刺激类型对比” 的脑电活动差异。

图 4. 基于 ERP 和 TFA 的 EEG 数据验证整体流程。

3. 趋近 - 回避行为相关 EEG 分析

通过 Pearson 相关分析，探究问卷指标、导航行为与脑电活动的关联，核心发现包括以下几个方面。

空间方向感与导航效率：被试 SBSOD 量表得分（方向感越强）与空间导航、社交互动中的移动速度呈正相关；

社交焦虑的神经关联：LSAS 量表得分（社交焦虑越严重）与积极社交反馈下 rTPJ 和 lFC 的 α 波活动呈负相关，提示社交焦虑个体可能通过抑制相关脑区减少他人反馈过度加工；

轨迹复杂性与神经机制：空间探索中遭遇惩罚刺激时，导航轨迹熵（路径越不规则）与 rTPJ 的 α 波功率呈正相关，反映大脑通过神经抑制调整导航策略；记忆召回路径熵与社交惩罚下 lTPJ 的 α 波强度呈负相关，提示 lTPJ 激活可减少决策干扰，提升路径效率。