数据集概述
本数据集伴随研究“Machine Learning Identification of EEG Predictors of Load-Specific Strength Gains Following Alpha Neurofeedback in Elite Judokas”，包含24名精英男性柔道运动员在15次α神经反馈干预前后的预处理脑电数据（F3、F4电极位点）、5种负荷强度（35–100% 1RM）的深蹲力量变化数据、分类标签及分析用R脚本，用于探究基线α波脑电指标对神经反馈响应性的预测作用。
文件详解
- 数据文件（.xlsx格式，共5个）
New_Macierz_EEG_Delta_Index_Imputed.xlsx：包含预处理标准化的脑电指标（F3_PRE、F4_PRE、FAI_PRE）及各负荷强度的力量变化值（ΔReps per %RM）EEG_Regression_Diagnostics_Expanded.xlsx：多元线性回归模型的诊断结果数据Wyniki_PCA_Regression_EEG_Strength (1).xlsx：PCA降维及回归分析的输出结果Wyniki_Klasyfikacji_RF_MLP.xlsx：随机森林（RF）和多层感知器（MLP）分类器的分类结果Sensitivity_RF_Permutation.xlsx：随机森林模型的敏感性分析（置换检验）结果- 图像文件（.tiff格式，共3个）
Figure_3_Sensitivity_RF.tiff：随机森林模型敏感性分析的可视化图Figure_1_ROC_RF_MLP.tiff：RF和MLP分类器的ROC曲线对比图Figure_2_RF_FeatureImportance.tiff：随机森林模型的特征重要性排序图
数据来源
论文“Machine Learning Identification of EEG Predictors of Load-Specific Strength Gains Following Alpha Neurofeedback in Elite Judokas”
适用场景
- 运动神经科学研究：分析基线α波脑电指标与力量适应的关联机制
- 运动训练个性化优化：基于脑电预测因子制定精英运动员的个体化神经反馈干预方案
- 机器学习模型验证：测试RF、MLP等分类器在运动表现预测中的应用效果
- 脑电数据预处理方法参考：借鉴ICA artifact removal、z-score归一化等预处理流程
- 运动科学精准干预研究：探索脑电特征作为神经肌肉适应生物标志物的可行性
