Belgif Linked Data Fragments server

Matches in Data.gov.be for { <http://data.gov.be/.well-known/genid/dataset/kulrdr/doi-10-48804/K3VSND> ?p ?o ?g. }

• K3VSND applicableLegislation oj @default.
• K3VSND accessRights RESTRICTED @default.
• K3VSND bibliographicCitation "Bollens, Lies; Accou, Bernd; Van hamme, Hugo; Francart, Tom, 2023, "SparrKULee: A Speech-evoked Auditory Response Repository of the KU Leuven, containing EEG of 85 participants", https://doi.org/10.48804/K3VSND, KU Leuven RDR, V3" @default.
• K3VSND created "2025-12-04T21:49:35Z" @default.
• K3VSND creator 0000-0001-9734-4261 @default.
• K3VSND creator 0000-0002-2520-2667 @default.
• K3VSND creator 0000-0002-3758-5968 @default.
• K3VSND creator 0000-0003-1331-5186 @default.
• K3VSND description "De volgende auteur heeft in gelijke mate bijgedragen aan deze dataset: Accou, Bernd; Bollens, liegt. Voor gemakkelijke toegang tot de gegevens raden we aan de instructie / toegang te gebruiken via onze hostingserver. Onderzoekers die de neurale mechanismen onderzoeken die ten grondslag liggen aan spraakperceptie, maken vaak gebruik van elektro-encefalografie (EEG) om hersenactiviteit op te nemen terwijl deelnemers naar gesproken taal luisteren. De hoge temporele resolutie van EEG maakt de studie van neurale reacties op snelle en dynamische spraaksignalen. Eerdere studies hebben met succes spraakkenmerken geëxtraheerd van EEG-gegevens en, omgekeerd, voorspelde EEG-activiteit van spraakkenmerken. Machine learning-technieken worden over het algemeen gebruikt om coderings- en decoderingsmodellen te construeren, die een aanzienlijke hoeveelheid gegevens. Wij presenteren SparrKULee: A Speech-evoked Auditory Repository of EEG, gemeten aan de KU Leuven, bestaande uit 64-kanaals EEG-opnamen van 85 jonge mensen met een normaal gehoor, die elk naar 90-150 luisterden Een paar minuten natuurlijke spraak. Deze dataset is uitgebreider dan alle momenteel beschikbare datasets in termen van zowel het aantal deelnemers en de hoeveelheid gegevens per deelnemer. Het is geschikt voor het trainen van grotere machine learning modellen. Wij evalueren de dataset met behulp van lineaire en state-of-the-art niet-lineaire modellen in een spraakcoderings-/decoderings- en match/mismatch-paradigma; het verstrekken van benchmarkscores voor toekomstig onderzoek. Onze github repository bevat de nodige code om voorbewerkingsstappen uit te voeren die nodig zijn om de bestanden in de derivatenmap te verkrijgen, evenals extra code om de technische validatie van onze dataset te tonen en tools om de dataset gemakkelijker te downloaden. Deze link biedt een download van de hele dataset in één groot zip-bestand (> 100 GB). Voor een download van de dataset met behulp van reeds gezipte bestanden, opgesplitst in kleinere brokken, klik hier. Vanwege privacyproblemen zijn er enkele beperkte bestanden in de dataset. Gebruikers die om toegang verzoeken, moeten een e-mail sturen naar sparrkulee@kuleuven.be , waarin zij aangeven waarvoor zij de gegevens willen gebruiken. Toegang wordt verleend aan niet-commerciële gebruikers die voldoen aan de CC-BY-NC-4.0-licentie" @default.
• K3VSND description "Folgender Autor hat gleichermaßen zu diesem Datensatz beigetragen: Accou, Bernd; Bollens, lügt. Für einen einfachen Zugriff auf die Daten empfehlen wir die Verwendung der Anweisung / des Zugriffs über unseren Hosting-Server. Forscher, die die neuronalen Mechanismen untersuchen, die der Sprachwahrnehmung zugrunde liegen, verwenden häufig Elektroenzephalographie (EEG) um die Gehirnaktivität aufzuzeichnen, während die Teilnehmer die gesprochene Sprache hören. Die hohe zeitliche Auflösung des EEG ermöglicht die Untersuchung von Neuronale Reaktionen auf schnelle und dynamische Sprachsignale. Frühere Studien haben Spracheigenschaften erfolgreich extrahiert aus EEG-Daten und umgekehrt prognostizierte EEG-Aktivität aus Sprachmerkmalen. Techniken des maschinellen Lernens werden im Allgemeinen verwendet, um Kodierungs- und Dekodierungsmodelle zu konstruieren, die eine erhebliche Menge an Daten. Wir präsentieren SparrKULee: A Speech-evoked Auditory Repository of EEG, gemessen an der KU Leuven, bestehend aus 64-Kanal-EEG-Aufnahmen von 85 Jugendlichen mit normalem Hörvermögen, von denen jeder 90-150 gehört hat Minuten natürlicher Rede. Dieser Datensatz ist umfangreicher als jeder derzeit verfügbare Datensatz, sowohl in Bezug auf die Anzahl der Teilnehmer und die Menge der Daten pro Teilnehmer. Es eignet sich für das Training größerer Machine-Learning-Modelle. Wir bewerten die Datensatz unter Verwendung linearer und modernster nichtlinearer Modelle in einem Sprachkodierungs-/Dekodierungs- und Match-/Mismatch-Paradigma, Bereitstellung von Benchmark-Scores für die zukünftige Forschung. Unser Github-Repository enthält den notwendigen Code, um Vorverarbeitungsschritte durchzuführen, die erforderlich sind, um die Dateien im Ordner "Derivate" zu erhalten, sowie zusätzlichen Code, um die technische Validierung unseres Datensatzes und Tools zum einfacheren Herunterladen des Datensatzes anzuzeigen. Dieser Link bietet einen Download des gesamten Datensatzes in einer großen Zip-Datei (> 100 GB). Für einen Download des Datensatzes mit bereits gezippten Dateien, aufgeteilt in kleinere Stücke, klicken Sie hier. Aufgrund von Datenschutzbedenken gibt es einige eingeschränkte Dateien im Datensatz. Benutzer, die Zugang beantragen, sollten eine E-Mail an sparrkulee@kuleuven.be senden und angeben, wofür sie die Daten verwenden möchten. Der Zugang wird nichtkommerziellen Nutzern gewährt, die der CC-BY-NC-4.0-Lizenz entsprechen." @default.
• K3VSND description "L'auteur suivant a également contribué à cet ensemble de données: Accou, Bernd; Bollens, les mensonges. Pour un accès facile aux données, nous vous recommandons d'utiliser l'instruction / accès via notre serveur d'hébergement. Les chercheurs qui étudient les mécanismes neuronaux sous-jacents à la perception de la parole utilisent souvent l'électroencéphalographie (EEG) pour enregistrer l'activité cérébrale pendant que les participants écoutent le langage parlé. La haute résolution temporelle de l'EEG permet d'étudier réponses neuronales aux signaux vocaux rapides et dynamiques. Des études antérieures ont réussi à extraire les caractéristiques de la parole à partir des données EEG et, inversement, l'activité EEG prédite à partir des caractéristiques de la parole. Les techniques d'apprentissage automatique sont généralement utilisées pour construire des modèles d'encodage et de décodage, qui nécessitent une quantité importante de données. Nous présentons SparrKULee: A Speech-evoked Auditory Repository of EEG, mesuré à la KU Leuven, comprenant des enregistrements EEG à 64 canaux de 85 jeunes personnes ayant une audition normale, dont chacune a écouté 90-150 minutes de discours naturel. Cet ensemble de données est plus étendu que tout ensemble de données actuellement disponible en termes de nombre de participants et la quantité de données par participant. Il convient à la formation de modèles d'apprentissage automatique plus grands. Nous évaluons le ensemble de données utilisant des modèles linéaires et non linéaires de pointe dans un paradigme d'encodage/décodage de la parole et de correspondance/inadéquation, fournir des scores de référence pour les recherches futures. Notre dépôt github contient le code nécessaire pour effectuer les étapes de prétraitement nécessaires pour obtenir les fichiers dans le dossier dérivés, ainsi que du code supplémentaire pour montrer la validation technique de notre jeu de données et des outils pour télécharger le jeu de données plus facilement. Ce lien permet de télécharger l’ensemble des données dans un seul grand fichier zip (> 100 Go). Pour un téléchargement de l'ensemble de données à l'aide de fichiers déjà compressés, divisés en petits morceaux, cliquez ici. En raison de problèmes de confidentialité, il y a des fichiers restreints dans l'ensemble de données. Les utilisateurs qui demandent l’accès doivent envoyer un courrier électronique à l’adresse sparrkulee@kuleuven.be, en indiquant à quoi ils souhaitent utiliser les données. L'accès sera accordé aux utilisateurs non commerciaux, conformément à la licence CC-BY-NC-4.0" @default.
• K3VSND description "The following author contributed equally to this dataset: Accou, Bernd; Bollens, Lies. For easy access to the data, we recommend using the instruction/access via our hosting server. Researchers investigating the neural mechanisms underlying speech perception often employ electroencephalography (EEG) to record brain activity while participants listen to spoken language. The high temporal resolution of EEG enables the study of neural responses to fast and dynamic speech signals. Previous studies have successfully extracted speech characteristics from EEG data and, conversely, predicted EEG activity from speech features. Machine learning techniques are generally employed to construct encoding and decoding models, which necessitate a substantial amount of data. We present SparrKULee: A Speech-evoked Auditory Repository of EEG, measured at KU Leuven, comprising 64-channel EEG recordings from 85 young individuals with normal hearing, each of whom listened to 90-150 minutes of natural speech. This dataset is more extensive than any currently available dataset in terms of both the number of participants and the amount of data per participant. It is suitable for training larger machine learning models. We evaluate the dataset using linear and state-of-the-art non-linear models in a speech encoding/decoding and match/mismatch paradigm, providing benchmark scores for future research. Our github repository contains the necessary code to perform preprocessing steps needed to obtain the files in the derivatives folder, as well as extra code to show the technical validation of our dataset and tools to download the dataset more easily. This link provides a download of the whole dataset in one big zip file ( > 100GB) . For a download of the dataset using already zipped files, split up into smaller chunks, click here. Due to privacy concerns, there are some restricted files in the dataset. Users requesting access should send a mail to sparrkulee@kuleuven.be , stating what they want to use the data for. Access will be granted to non-commercial users, complying to the CC-BY-NC-4.0 licence" @default.
• K3VSND identifier "doi:10.48804/K3VSND" @default.
• K3VSND issued "2025-12-05T09:02:12Z" @default.
• K3VSND modified "2025-12-05T09:02:12Z" @default.
• K3VSND publisher 0419052173 @default.
• K3VSND rights c2806ef8ab7c1b2e2f532e019186470bafe7798d @default.
• K3VSND title "SparrKULee : Répertoire des réponses auditives à la parole de la KU Leuven, contenant un EEG de 85 participants" @default.
• K3VSND title "SparrKULee: A Speech-evoked Auditory Response Repository der KU Leuven, mit EEG von 85 Teilnehmern" @default.
• K3VSND title "SparrKULee: A Speech-evoked Auditory Response Repository of the KU Leuven, containing EEG of 85 participants" @default.
• K3VSND title "SparrKULee: A Speech-evoked Auditory Response Repository van de KU Leuven, met EEG van 85 deelnemers" @default.
• K3VSND citedBy genid68456 @default.
• K3VSND type Dataset @default.
• K3VSND contactPoint genid68457 @default.
• K3VSND keyword "Auditory EEG" @default.
• K3VSND landingPage K3VSND @default.
• K3VSND theme TECH @default.
• K3VSND version "3" @default.