📄 Показана версия «Просто» — «Подробно» пока не готова. Добавьте ★ в избранное, если хотите её ускорить. Прошу разобрать полностью

В открытых архивах OpenNeuro и NEMAR хранится 791 запись электрической активности мозга от почти сорока тысяч человек. Суммарно это 86 051 час сигналов — примерно десять лет непрерывного прослушивания. Раньше, чтобы взять с полки хотя бы одну такую запись, приходилось писать тысячи строк кода: скачать, распаковать, исправить ошибки формата, нарезать на куски нужной длины.

EEG-Dash работает как умный библиотекарь. Он знает, где что лежит, сразу проверяет целостность записи по строгому стандарту BIDS (Brain Imaging Data Structure — единый формат для данных нейровизуализации) и выдаёт готовый к анализу объект. Внутри него уже настроены связи с инструментами MNE-Python для обработки сигналов и Braindecode для нарезки окон под машинное обучение. Исследователь просто пишет название набора — и через секунду может обучать модель.

Особенность системы — метаданные. Каждая запись снабжена тегами, которые автоматически извлекаются из научной публикации-источника. Можно искать не по скучному номеру, а по смыслу: «движение левой руки» или «эпилептический приступ». Семантический поиск превращает груду файлов в настоящий каталог, где нужное находится за пару кликов.

Десять лет сигналов мозга перестали быть мёртвым грузом. Теперь любой исследователь может за вечер проверить гипотезу на сотнях испытуемых, не написав ни строчки для загрузки. Библиотека наконец открыта по-настоящему.

Оригинальная аннотация

как её написали авторы, на английском arXiv:2606.16041

Public neurophysiological datasets are increasingly accessible but remain hard to reuse: turning one into a trained model still takes thousands of lines of code for download, loading, format repair, windowing, and evaluation, and a dataset that meets metadata standards can still fail to load. EEG-Dash is a software resource that catalogues 791 publicly archived recordings (39,778 participants, over 86,051 hours) spanning electroencephalography (EEG), magnetoencephalography (MEG), intracranial EEG (iEEG), electromyography (EMG), and functional near-infrared spectroscopy (fNIRS) from the OpenNeuro and NEMAR archives. It exposes each dataset as an importable, queryable class that preserves signal attributes and loads into machine-learning workflows without custom code, delegating signal handling to MNE-Python, windowing to Braindecode, and format compliance to the official Brain Imaging Data Structure (BIDS) validator. A metadata-first registry adds semantic search, a format-repair layer, automatic dataset-level tags drawn from each source publication, and a feature-extraction framework. The catalogue, with per-record loadability and compliance metadata, supports benchmarking, model development, and cross-dataset analysis.