脑电数据集完全指南DreamDiffusion 脑电到图像的 EEG 数据准备与下载【免费下载链接】DreamDiffusionImplementation of “DreamDiffusion: Generating High-Quality Images from Brain EEG Signals”项目地址: https://gitcode.com/gh_mirrors/dr/DreamDiffusionDreamDiffusion是一个用脑电信号EEG直接生成高质量图像的开源框架无需把脑波先转成文字。要跑通它最关键的一步就是脑电数据集的准备仓库本身不打包 EEG 数据和预训练模型你需要按本指南下载 EEG 数据集、ImageNet 图片子集和 Stable Diffusion 模型并摆放到正确目录。本文将手把手讲清EEG 数据准备与下载的完整流程。 一、DreamDiffusion 是怎么工作的先建立直觉整个框架分三步——大规模含噪 EEG 预训练用 EEG 编码器 解码器做掩码信号建模Masked Signal Modeling学习稳健的脑电表征微调预训练 Stable Diffusion用有限的 EEG-图像配对数据微调去噪 U-Net对齐脑电、文本与图像空间借助 CLIP 图像编码器提供额外监督让三者嵌入对齐。这意味着你需要准备两类料EEG 信号数据训练/推理的核心和对应图像ImageNet 子集用于配对与监督。二、EEG 数据集从哪里下载⚠️ 仓库中不包含datasets/和pretrains/的完整内容两者都需要自行下载后放在仓库根目录下。数据说明获取方式EEG 脑电数据集含eeg_5_95_std.pth等信号文件来自 eeg_visual_classification 公开数据集按原作者页面指引下载ImageNet 子集训练用图像imagenet_images/作者提供了镜像副本Google Drive 链接见项目 READMEStable Diffusion v1.5v1-5-pruned.ckpt标准 SD1.5 权重从 Stability 官方发布页下载 小贴士只需按 README 中的说明把数据放到仓库根目录即可目录结构见下一节。三、数据文件清单与目录结构下载完成后仓库根目录应如下所示 只需关注datasets/与pretrains/两个目录/datasets ┣ imageNet_images # ImageNet 图片子集EEG 的配对图像 ┣ block_splits_by_image_all.pth # 按图像划分全部训练/测试索引 ┣ block_splits_by_image_single.pth# 按图像划分单次划分索引 ┗ eeg_5_95_std.pth # 核心5~95Hz 标准化 EEG 信号 /pretrains ┣ models ┃ ┣ config15.yaml # 生成模型配置仓库已带 ┃ ┗ v1-5-pruned.ckpt # Stable Diffusion 1.5 权重 ┣ generation ┃ ┗ checkpoint_best.pth # 微调后的生成模型 ┗ eeg_pretain ┗ checkpoint.pth # 预训练 EEG 编码器三个.pth文件的分工eeg_5_95_std.pth脑电数据本体包含每个试验的 EEG 信号、图像索引、类别标签block_splits_by_image_all.pth训练/测试划分all 版用于微调阶段block_splits_by_image_single.pthsingle 版划分推理脚本gen_eval_eeg.py默认使用它。四、EEG 信号数据格式详解 了解数据内部结构能帮你排查数据加载失败这类问题。加载逻辑集中在 code/dataset.pyEEGDataset用torch.load读取eeg_5_95_std.pth取出dataset、labels、images三个键每条 EEG 信号原始形状约为(通道, 时间)代码会截取通道 20~459共 440 通道再把时间轴插值到固定长度 512每条样本通过image索引映射到 ImageNet 图片文件名如xxx_123.JPEG按类别号/文件名从datasets/imageNet_images/读取subject参数可过滤指定被试者0表示使用全部被试。配置项如 EEG 路径、划分文件路径、ROI、patch 大小集中在 code/config.py例如Config_Generative_Model中self.eeg_signals_path datasets/eeg_5_95_std.pth self.splits_path datasets/block_splits_by_image_single.pth self.roi VC # 视觉皮层兴趣区 self.patch_size 4 排查提示Splitter会过滤掉时间长度不在450~600之间的样本如果你的自定义 EEG 数据长度差异过大需先做重采样。五、预训练模型文件准备生成模型依赖两个关键权重放入pretrains/即可SD1.5 基础模型pretrains/models/v1-5-pruned.ckptDiffusion 部分直接采用标准 Stable Diffusion预训练 EEG 编码器pretrains/eeg_pretain/checkpoint.pth由掩码建模阶段脚本 code/stageA1_eeg_pretrain.py产出生成模型配置pretrains/models/config15.yaml仓库已自带见 pretrains/models/config15.yaml。六、快速验证用官方检查点生成图像 ✅数据就位后建议先用作者提供的生成检查点跑一次推理验证环境正确python3 code/gen_eval_eeg.py \ --dataset EEG \ --model_path pretrains/models/checkpoint.pth \ --splits_path datasets/block_splits_by_image_single.pth \ --eeg_signals_path datasets/eeg_5_95_std.pth \ --config_patch pretrains/models/config15.yaml参数与 code/gen_eval_eeg.py 的argparse定义一一对应。成功后会输出脑电 → 图像的对照结果效果类似下方示例左侧为脑电对应的配对图像右侧为生成图像七、常见坑位清单 ️问题原因与解决No data found/ 找不到.pthdatasets/目录没下载到根目录或路径拼错见config.py图像读取不到imageNet_images/缺失或文件名不是类别号/xxx_编号.JPEG形式检查点加载报 key 不匹配确认用的是 SD1.5v1-5-pruned.ckpt而非其他版本生成图像模糊检查ddim_steps默认 250与eeg_5_95_std.pth是否一致另外注意项目 README 在 2025.9.30 修正过部分检查点路径问题升级后推理阶段无需单独加载预训练编码器请以最新说明为准。总结DreamDiffusion 的 EEG 数据准备 下载 3 个.pth数据文件 ImageNet 子图 SD1.5 权重按目录结构放入datasets/与pretrains/再用gen_eval_eeg.py一键验证。完成这些你就能在这个脑电生成图像的完整框架上开始实验了。 【免费下载链接】DreamDiffusionImplementation of “DreamDiffusion: Generating High-Quality Images from Brain EEG Signals”项目地址: https://gitcode.com/gh_mirrors/dr/DreamDiffusion创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考