研究人员展示了一个大规模、多中心的脑磁图（MEG）和脑电图（EEG）同步记录数据集，结合眼动追踪数据和高分辨率结构磁共振成像（T1）；并补充了颅内脑电图（iEEG）和功能磁共振成像（fMRI）数据集。数据通过两种意识神经科学理论——全局神经元工作空间理论（GNWT）和整合信息理论（IIT）——的倡导者之间的对抗性合作获得。数据集包括100名个体（平均年龄22.79 ± 3.59岁，54名女性，全部右利手）的记录，来自两个研究中心（英国和中国），使用标准化数据采集协议。实验中，参与者执行非速度化的Go/No-Go目标检测任务，暴露于四种类别（面孔、物体、字母、伪字体）的视觉刺激，呈现不同方向（正面、左视、右视）、不同时长（0.5、1.0、1.5 s）和不同任务条件。数据质量根据脑成像数据结构（BIDS）进行评估和组织，并附有大量元数据以提高可重用性。
理解意识与神经过程之间的关系是当代科学最重大的挑战之一。在最近应对这一挑战的尝试中，Cogitate对抗性合作对比了两种意识神经科学理论：全局神经元工作空间理论（GNWT）和整合信息理论（IIT）。为了检验这些理论的预测，研究人员设计了严格的实验，收集了多模态数据，包括功能磁共振成像（fMRI）、颅内脑电图（iEEG）和同步脑磁图-脑电图（MEG-EEG）。本文聚焦于后者，即同步MEG-EEG数据集。现有高质量MEG-EEG数据集，特别是针对视觉意识体验的大样本数据较为稀缺。例如，人脑连接组计划（HCP）、剑桥衰老与神经科学中心（Cam-CAN）和威尔士高级神经影像数据库（WAND）等项目主要关注脑连接和年龄相关机制，而非意识感知。相比之下，Cogitate数据集专门设计用于研究感知机制及其与任务表现的关系，可作为连接大规模脑网络与细粒度认知机制的桥梁。因此，该数据集对于测试意识理论的核心预测具有重要意义，并为更广泛的神经科学研究社区提供了宝贵资源。研究人员在英国伯明翰大学（UoB）和中国北京大学（PKU）两个中心，招募了100名健康参与者（平均年龄22.8 ± 3.6岁，54名女性，全部右利手）。使用标准化数据采集协议，收集了同步MEG-EEG记录、眼动追踪数据和高分辨率结构磁共振成像（T
1加权MRI）。实验范式为非速度化的Go/No-Go目标检测任务，参与者暴露于四种类别（面孔、物体、字母、伪字体）的视觉刺激，呈现不同方向（正面、左视、右视）、不同时长（0.5、1.0、1.5 s）和不同任务条件（目标、任务相关非目标、任务无关非目标）。该研究发表于《Scientific Data》期刊。为开展研究，研究人员采用了几个主要关键技术方法。首先，使用标准化设备进行数据采集：306通道TRIUX MEG系统（集成EEG）、EyeLink 1000 Plus眼动仪和PROPixx DLP LED投影仪。其次，制定了标准化操作程序（SOP）以确保两个中心实验流程一致。第三，实施了多层级质量控制协议，包括数据完整性、行为表现和神经信号质量检查。第四，数据遵循脑成像数据结构（BIDS）标准进行组织和共享，以支持可重复性和再利用。数据来源为英国和中国两个中心的参与者队列。研究结果表明，数据集具有高质量和跨站点一致性。行为上，参与者表现出高平均命中率（97.5%）和低误报率（0.6%），眼动追踪显示稳定注视精度（93.1%）。技术验证包括数据质量检查、行为表现分析和神经信号评估。例如，全局场功率（GFP）分析显示MEG和EEG诱发反应在站点间高度一致；功率谱密度（PSD）分析确认了预期的1/f频谱特性和可比信噪比。数据预处理采用了Maxwell滤波（信号空间分离，SSS）用于MEG，PREP管道用于EEG，以及独立成分分析（ICA）去除伪迹。数据集以BIDS格式共享，包含原始数据和转换后数据，支持广泛再利用。平台如XNAT允许交互式访问和选择性检索。研究人员强调，该数据集可用于测试意识理论的核心预测，例如神经活动的解剖定位和时间动态，以及功能连接模式。此外，数据集可促进视觉感知、工作记忆等基本机制的研究，并支持多模态融合技术的开发。总之，本研究提供了大规模、多中心的同步MEG-EEG数据集，为意识神经科学和认知研究提供了重要资源。
