BETA：EEG 解码结果

40 目标 SSVEP

BETA：EEG 解码结果

BETA（BEnchmark database Towards BCI Application）是一个 40 目标 SSVEP 数据集：70 名被试在键盘式虚拟拼写界面（8–15.8 Hz）上完成提示拼写任务，每人 4 个组块，记录 64 通道 EEG，采集在电磁屏蔽室之外进行。由清华大学 Liu 等人于 2020 年发表于 Frontiers in Neuroscience，数据托管于 figshare。

又称 BETA · BETA database · The BETA database · BETA: A Large Benchmark Database Toward SSVEP-BCI Application · Liu et al. (2020)

简介来源 figshare.com · pmc.ncbi.nlm.nih.gov · doi.org · bci.med.tsinghua.edu.cn

出现在

BETA 留出频率上的后续检验：解码器靠什么回答没训练过的 SSVEP 频率？

已发布的结果

每个数字都直接取自所在组列出的已审核下载文件。只有 95% 区间不重叠时，才说一行高于另一行。

核心矩阵 · SSVEP，8 通道

来源页面：核心矩阵协议：SSVEP · 8 通道 · 随机水平 2.5% · experiments.json, core-matrix-20261106-beta-8ch.csv

Standard CCA

63.1% (57.2%–69.0%)

Spectral ridge

50.7% (45.6%–55.8%)

LaBraM

10.8% (9.5%–12.2%)

CBraMod

33.7% (29.8%–37.6%)

EEGNet

55.8% (50.1%–61.3%)

滤波器组 CCA（FBCCA-M3-N7-H5）

79.1% (75.1%–82.8%)

ShallowFBCSPNet

23.0% (20.3%–25.9%)

Deep4Net

52.8% (47.3%–58.2%)

平衡准确率，8 个配置。 点为估计值，横线为 95% 区间，虚线（如有）为随机水平。

方法	条件	指标	数值	被试
Standard CCA	40 visual targets · 8 posterior electrodes	平衡准确率	63.1%57.2%–69.0%	70
Spectral ridge	40 visual targets · 8 posterior electrodes	平衡准确率	50.7%45.6%–55.8%	70
LaBraM	40 visual targets · 8 posterior electrodes	平衡准确率	10.8%9.5%–12.2%	70
CBraMod	40 visual targets · 8 posterior electrodes	平衡准确率	33.7%29.8%–37.6%	70
EEGNet	40 visual targets · 8 posterior electrodes	平衡准确率	55.8%50.1%–61.3%	70
滤波器组 CCA（FBCCA-M3-N7-H5）	40 visual targets · 8 posterior electrodes	平衡准确率	79.1%75.1%–82.8%FBCCA-M3-N7-H5 · 七个切比雪夫子带，五次谐波 · 不需要训练 · 250 Hz	70
ShallowFBCSPNet	40 visual targets · 8 posterior electrodes	平衡准确率	23.0%20.3%–25.9%一个固定的随机种子和训练预算，与 EEGNet 单元格相同	70
Deep4Net	40 visual targets · 8 posterior electrodes	平衡准确率	52.8%47.3%–58.2%一个固定的随机种子和训练预算，与 EEGNet 单元格相同	70

核心矩阵 · SSVEP，4 通道

来源页面：核心矩阵协议：SSVEP · 4 通道 · 随机水平 2.5% · experiments.json, core-matrix-20261106-beta-4ch.csv

Standard CCA

57.6% (51.8%–63.5%)

Spectral ridge

48.2% (43.1%–53.3%)

LaBraM

12.9% (11.2%–14.6%)

CBraMod

27.6% (24.1%–31.3%)

EEGNet

44.1% (38.6%–49.6%)

滤波器组 CCA（FBCCA-M3-N7-H5）

72.3% (67.5%–76.9%)

ShallowFBCSPNet

16.2% (14.1%–18.6%)

Deep4Net

38.7% (33.7%–43.8%)

平衡准确率，8 个配置。 点为估计值，横线为 95% 区间，虚线（如有）为随机水平。

方法	条件	指标	数值	被试
Standard CCA	40 visual targets · 4 posterior electrodes	平衡准确率	57.6%51.8%–63.5%	70
Spectral ridge	40 visual targets · 4 posterior electrodes	平衡准确率	48.2%43.1%–53.3%	70
LaBraM	40 visual targets · 4 posterior electrodes	平衡准确率	12.9%11.2%–14.6%	70
CBraMod	40 visual targets · 4 posterior electrodes	平衡准确率	27.6%24.1%–31.3%	70
EEGNet	40 visual targets · 4 posterior electrodes	平衡准确率	44.1%38.6%–49.6%	70
滤波器组 CCA（FBCCA-M3-N7-H5）	40 visual targets · 4 posterior electrodes	平衡准确率	72.3%67.5%–76.9%FBCCA-M3-N7-H5 · 七个切比雪夫子带，五次谐波 · 不需要训练 · 250 Hz	70
ShallowFBCSPNet	40 visual targets · 4 posterior electrodes	平衡准确率	16.2%14.1%–18.6%一个固定的随机种子和训练预算，与 EEGNet 单元格相同	70
Deep4Net	40 visual targets · 4 posterior electrodes	平衡准确率	38.7%33.7%–43.8%一个固定的随机种子和训练预算，与 EEGNet 单元格相同	70

EEGPT（冻结编码器）· SSVEP，8 通道

来源页面：核心矩阵协议：SSVEP · 8 通道 · 随机水平 2.5% · eegpt-core-update.json

方法	条件	指标	数值	被试
EEGPT	冻结编码器 + 岭回归分类头	平衡准确率	20.3%18.2%–22.6%	70

PO5 与 PO6 所用的通道嵌入在 EEGPT 的预训练中从未训练过：EEGPT 的通道字典共 62 个名称，其中四个（AF7、AF8、PO5、PO6）不在它 58 电极的预训练电极布局中，这两个通道就在其中。这里其余六个通道，以及 4 通道子集的全部四个通道，用的都是训练过的嵌入。

背景：BETA 不在 EEGPT 作者公开的预训练数据清单中，但清华大学的 40 目标 SSVEP 基准数据集（Wang 等，2017）在清单中，名为 TSU。BETA 的作者把 BETA 描述为该基准的扩展：出自同一团队，采用相同的 40 目标布局，记录是它自己的；两者是否有共同的被试，作者没有说明。

每个核心时间窗都比 EEGPT 预训练用的 4 秒时间窗短：1 秒或 2 秒，睡眠则是十五段各 2 秒的数据。无论时间窗多长，编码器对每个 0.25 秒片段的计算方式都相同；时间窗越短，可供平均的片段越少。

读出用的是本站固定的分类头，接在冻结的汇总 token 上，与已发布的 LaBraM、CBraMod 各行相同：在 2,048 个池化值上做岭回归（alpha 100），空闲协议上则是逐人的逻辑回归分类头。它不是作者在下游任务中用的分类头（可学习的空间滤波器加线性分类头）；输入的时间窗也没有做 EEGPT 预训练时用的平均参考。

EEGPT：检查点的许可仍未厘清，不分发任何原始或转换后的权重；Apache-2.0 只涵盖代码仓库中的代码。它的许可与条款 →

EEGPT（冻结编码器）· SSVEP，4 通道

来源页面：核心矩阵协议：SSVEP · 4 通道 · 随机水平 2.5% · eegpt-core-update.json

方法	条件	指标	数值	被试
EEGPT	冻结编码器 + 岭回归分类头	平衡准确率	17.3%15.5%–19.2%	70

可靠的决策 · 什么时候该拒绝作出决定

来源页面：何时不该执行 · reliable-decisions-update.json

方法	条件	指标	数值	被试
Standard CCA	固定阈值：校准后的置信度不低于 0.8	被接受的试次	3,176 / 11,200没有任何试次被接受的被试：0 名（共 70 名）。	70
Standard CCA	可学习的拒识选项减校准后的置信度，同一分类器	最有把握的 80% 中的错误率，差值（百分点）	+0.3 pp−0.3 pp–+1.0 pp不能认定有差异：区间包含零。	70
CBraMod	固定阈值：校准后的置信度不低于 0.8	被接受的试次	165 / 11,200没有任何试次被接受的被试：38 名（共 70 名）。	70
CBraMod	可学习的拒识选项减校准后的置信度，同一分类器	最有把握的 80% 中的错误率，差值（百分点）	−0.03 pp−0.8 pp–+0.6 pp不能认定有差异：区间包含零。	70
EEGNet	固定阈值：校准后的置信度不低于 0.8	被接受的试次	1,863 / 11,200没有任何试次被接受的被试：10 名（共 70 名）。	70
EEGNet	可学习的拒识选项减校准后的置信度，同一分类器	最有把握的 80% 中的错误率，差值（百分点）	+0.8 pp+0.02 pp–+1.6 pp可以认定有差异：区间不含零。	70

局限：设计上各目标的先验均匀；这是实验室里按提示节奏进行的拼写，没有空闲状态，所以给不出任何形式的误触发数字。校准数据是与测试被试不重叠的内层折外分数（交叉拟合）。内层模型只见过约 3/4 的训练被试，所以可能比被测试分数的完整模型更不自信。这一近似体现在每一个经过校准的数字里。拒绝已知类别上可能判错的试次，不等于识别陌生的输入：不确定性阈值未必能标出没见过的类别（https://arxiv.org/abs/2603.13324）。第一条路线不作任何分布外的声明。只有配对的 95% 被试 bootstrap 区间不含 0 时，一个对比才称为有差异（不做多重比较校正）；否则写作“不能认定有差异”。只有区间不重叠时，才说一行高于另一行；描述性的数值也从不称为差异。第一条路线的全部局限 →

用语言提问 · SSVEP（第三条路线）

来源页面：用语言提问 · questions-in-language-update.json

方法	条件	指标	数值	被试
普通频谱（L0）	P1 · 标签模板 − 题号（TPL − ID）· 已见，32 选 1 · 三个随机种子	配对差值，语言问法减参照（pp）	−5.96 pp−6.84–−5.08 ppID 更高；未达到 2 pp 界值；通过捷径检查。	70
普通频谱（L0）	P1 · 描述 − 题号（DESC − ID）· 已见，32 选 1 · 三个随机种子	配对差值，语言问法减参照（pp）	−5.46 pp−6.26–−4.66 ppID 更高；未达到 2 pp 界值；通过捷径检查。	70
普通频谱（L0）	P2 · 新句式 − 训练问法（TPL(a1) − TPL(train)）· 已见，改写 · 三个随机种子	配对差值，语言问法减参照（pp）	−4.01 pp−6.53–−2.12 ppTPL(train) 更高；未达到 2 pp 界值；通过捷径检查。	70
普通频谱（L0）	P2 · 同义词 − 训练问法（TPL(a2) − TPL(train)）· 已见，改写，只对这三个同义词成立 · 三个随机种子	配对差值，语言问法减参照（pp）	−1.84 pp−2.10–−1.57 ppTPL(train) 更高；未达到 2 pp 界值；通过捷径检查。	70
普通频谱（L0）	P2 · 新描述 − 训练描述（DESC(a3) − DESC(train)）· 已见，改写 · 三个随机种子	配对差值，语言问法减参照（pp）	−4.13 pp−5.58–−3.11 ppDESC(train) 更高；未达到 2 pp 界值；通过捷径检查。	70
普通频谱（L0）	P4 · 标签模板 − CCA（无需训练）（TPL − CCA）· 未见频率，8 选 1 · 三个随机种子	配对差值，语言问法减参照（pp）	−52.21 pp−55.13–−48.99 pp未见过的问题。CCA 更高；未达到 2 pp 界值；通过余量门槛。	70
普通频谱（L0）	P4 · 标签模板 − 相邻两个已见频率的平均（TPL − NN(TPL)）· 未见频率，8 选 1 · 三个随机种子	配对差值，语言问法减参照（pp）	−10.98 pp−12.24–−9.67 pp未见过的问题。NN(TPL) 更高；只读差异，不设界值；通过余量门槛。	70
普通频谱（L0）	P4 · 标签模板 − 数值编码（TPL − NUM）· 未见频率，8 选 1 · 三个随机种子	配对差值，语言问法减参照（pp）	−12.77 pp−14.52–−10.99 pp未见过的问题。NUM 更高；只读差异，不设界值；通过余量门槛。	70
普通频谱（L0）	P4 · 标签模板 − CCA（无需训练）（TPL − CCA）· 未见频率，相邻 3 选 1 · 三个随机种子	配对差值，语言问法减参照（pp）	−62.36 pp−65.87–−58.69 pp未见过的问题。CCA 更高；未达到 2 pp 界值；通过余量门槛。	70
普通频谱（L0）	P4 · 标签模板 − 数值编码（TPL − NUM）· 未见频率，相邻 3 选 1 · 三个随机种子	配对差值，语言问法减参照（pp）	−1.24 pp−3.17–+0.85 pp未见过的问题。未显示差异；只读差异，不设界值；通过余量门槛。	70
CBraMod	P1 · 标签模板 − 题号（TPL − ID）· 已见，32 选 1 · 三个随机种子	配对差值，语言问法减参照（pp）	−3.49 pp−4.10–−2.93 ppID 更高；未达到 2 pp 界值；通过捷径检查。	70
CBraMod	P1 · 描述 − 题号（DESC − ID）· 已见，32 选 1 · 三个随机种子	配对差值，语言问法减参照（pp）	−3.37 pp−3.98–−2.80 ppID 更高；未达到 2 pp 界值；通过捷径检查。	70
CBraMod	P2 · 新句式 − 训练问法（TPL(a1) − TPL(train)）· 已见，改写 · 三个随机种子	配对差值，语言问法减参照（pp）	−2.72 pp−4.43–−1.43 ppTPL(train) 更高；未达到 2 pp 界值；通过捷径检查。	70
CBraMod	P2 · 同义词 − 训练问法（TPL(a2) − TPL(train)）· 已见，改写，只对这三个同义词成立 · 三个随机种子	配对差值，语言问法减参照（pp）	−1.33 pp−1.53–−1.14 ppTPL(train) 更高；在 ±2 pp 内等效；通过捷径检查。	70
CBraMod	P2 · 新描述 − 训练描述（DESC(a3) − DESC(train)）· 已见，改写 · 三个随机种子	配对差值，语言问法减参照（pp）	−2.95 pp−3.81–−2.26 ppDESC(train) 更高；未达到 2 pp 界值；通过捷径检查。	70
CBraMod	P4 · 标签模板 − CCA（无需训练）（TPL − CCA）· 未见频率，8 选 1 · 三个随机种子	配对差值，语言问法减参照（pp）	−61.94 pp−65.65–−58.06 pp未见过的问题。CCA 更高；未达到 2 pp 界值；通过余量门槛。	70
CBraMod	P4 · 标签模板 − 相邻两个已见频率的平均（TPL − NN(TPL)）· 未见频率，8 选 1 · 三个随机种子	配对差值，语言问法减参照（pp）	−1.16 pp−1.97–−0.37 pp未见过的问题。NN(TPL) 更高；只读差异，不设界值；通过余量门槛。	70
CBraMod	P4 · 标签模板 − 数值编码（TPL − NUM）· 未见频率，8 选 1 · 三个随机种子	配对差值，语言问法减参照（pp）	−2.46 pp−3.23–−1.69 pp未见过的问题。NUM 更高；只读差异，不设界值；通过余量门槛。	70
CBraMod	P4 · 标签模板 − CCA（无需训练）（TPL − CCA）· 未见频率，相邻 3 选 1（频率与刺激相位） · 三个随机种子	配对差值，语言问法减参照（pp）	−54.67 pp−57.77–−51.47 pp未见过的问题。CCA 更高；未达到 2 pp 界值；通过余量门槛。	70
CBraMod	P4 · 标签模板 − 数值编码（TPL − NUM）· 未见频率，相邻 3 选 1（频率与刺激相位） · 三个随机种子	配对差值，语言问法减参照（pp）	+15.61 pp+14.25–+16.93 pp未见过的问题。TPL 更高；只读差异，不设界值；通过余量门槛。	70

局限：“未见过”指 EEG 分类头没有见过；文本编码器读过这些词，而且每个留出频率的每个分词也都出现在训练文本中。留出的 SSVEP 问题说的是一个频率，而 CCA 不需要训练就能回答；主分析检验内插，外推只是次要分析。在相邻 3 选 1 中，未见过的频率要与两侧相邻频率已训练好的检测器竞争；在 L1 上，这项检验还牵涉刺激相位。改写的结果与未见问题的结果分行列出，从不合并。35 项预先声明的比较，未做多重比较校正。运行前的标签置换金丝雀检查失败了两次（修订 3 和修订 4），由所有者修订；所有者推翻了修订 4 写下的“不再修订”；修订 5 通过。两次失败的记录都保留并披露。第三条路线的全部局限 →

来源与许可

BETA

署名 Bingchuan Liu et al. · BETA: A Large Benchmark Database Toward SSVEP-BCI Application (2020), doi:10.3389/fnins.2020.00627. Figshare 12264401 v3; mirror Bingchuan/BETA.

CC BY 4.0 ↗ · 数据集记录 ↗

BCI Report 不转发任何记录。这些是 BCI Report 在上述许可下计算的聚合测量；数据仍归其创建者所有。

开放登记册中的这一行 →

BETA 核心矩阵部分结果的长文解读（英文，Hugging Face）↗

全部数据集 → · 全部方法 →

引用本页

BCI Report. BETA：EEG 解码结果[EB/OL]. (2026-11-06). https://bci.report/zh/datasets/beta/

数字来自发布 core-matrix-update-20261106（2026-11-06）、eegpt-core-update-20261013（2026-10-13）、questions-in-language-update-20261008（2026-10-08）、foundation-models-update-20261004（2026-10-04）、reliable-decisions-update-20261004（2026-10-04）、research-preview-20260920（2026-09-20）。也请同时引用上游数据集：其署名就在本页。

每个发布版本都在 Zenodo 存档：doi:10.5281/zenodo.23123296。本站及各次发布的 BibTeX → · CITATION.cff ↗（英文）

BETA：EEG 解码结果

出现在

已发布的结果

核心矩阵 · SSVEP，8 通道

核心矩阵 · SSVEP，4 通道

更多基础模型编码器（冻结）· SSVEP，8 通道

更多基础模型编码器（冻结）· SSVEP，4 通道

EEGPT（冻结编码器）· SSVEP，8 通道

EEGPT（冻结编码器）· SSVEP，4 通道

可靠的决策 · 什么时候该拒绝作出决定

用语言提问 · SSVEP（第三条路线）

来源与许可

BETA

引用本页

方法	条件	指标	数值	被试
REVE Base	冻结编码器 + 岭回归分类头	平衡准确率	37.5%33.3%–41.9%	70
REVE Large	冻结编码器 + 岭回归分类头	平衡准确率	52.7%47.7%–57.8%	70
LUNA Base	冻结编码器 + 岭回归分类头	平衡准确率	8.6%7.7%–9.5%	70
LUNA Large	冻结编码器 + 岭回归分类头	平衡准确率	10.0%8.9%–11.1%	70
BrainOmni Base	冻结编码器 + 岭回归分类头	平衡准确率	21.7%18.6%–25.0%	70
CodeBrain	冻结编码器 + 岭回归分类头	平衡准确率	11.9%10.5%–13.3%	70
EEGMamba	冻结编码器 + 岭回归分类头	平衡准确率	40.2%35.7%–44.7%	70
ST-EEGFormer Base	冻结编码器 + 岭回归分类头	平衡准确率	17.1%15.5%–18.8%是否出现在预训练数据中：在作者公开的预训练数据清单中。	70
ST-EEGFormer Large	冻结编码器 + 岭回归分类头	平衡准确率	22.6%20.1%–25.3%是否出现在预训练数据中：在作者公开的预训练数据清单中。	70
eeg-fm-masking MAE (r=9 cm, L=2)	冻结编码器 + 岭回归分类头	平衡准确率	54.8%49.4%–60.0%	70
ERP-FM Base	冻结编码器 + 岭回归分类头	平衡准确率	18.4%16.3%–20.5%	70
SingLEM	冻结编码器 + 岭回归分类头	平衡准确率	26.6%23.7%–29.5%	70
ZUNA 1.1	冻结编码器 + 岭回归分类头	平衡准确率	11.9%10.8%–13.0%是否出现在预训练数据中：未知：作者公开的预训练数据清单不够详细，无法判断。模型卡：仅供研究使用，不可用于诊断或临床。	70
eeg-fm-masking JEPA (r=9 cm, L=2)	冻结编码器 + 岭回归分类头 · 掩码消融	平衡准确率	49.6%44.5%–54.8%	70
eeg-fm-masking MAE (r=one channel, L=1)	冻结编码器 + 岭回归分类头 · 掩码消融	平衡准确率	53.4%48.1%–58.6%	70
eeg-fm-masking JEPA (r=one channel, L=1)	冻结编码器 + 岭回归分类头 · 掩码消融	平衡准确率	51.0%45.8%–56.1%	70