ds003810：EEG 解码结果

运动想象 / 静息

ds003810：EEG 解码结果

OpenNeuro ds003810 是一个 EEG 数据集，任务为优势手抓握动作的动觉运动想象与静息两种条件，采集自 10 名此前没有 BCI 经验的被试，设备为低成本的 OpenBCI Cyton + Daisy 板，15 个电极覆盖感觉运动区。由 Peterson 等人发布于 OpenNeuro，并在 Data in Brief（2022）中描述。

又称 ds003810 · Motor Imagery vs Rest - Low-Cost EEG System · A motor imagery vs. rest dataset with low-cost consumer grade EEG hardware · Peterson et al. (2022)

简介来源 openneuro.org · pmc.ncbi.nlm.nih.gov · doi.org · doi.org

出现在

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 · 运动想象与静息

来源页面：核心矩阵协议：运动想象与静息 · 随机水平 50.0% · experiments.json, core-matrix-20261106-mi-rest.csv

Spectral ridge

54.9% (53.2%–56.7%)

CSP+LDA

47.1% (43.8%–50.2%)

LaBraM

53.5% (51.4%–55.4%)

CBraMod

62.9% (59.6%–66.5%)

EEGNet

71.0% (65.0%–76.3%)

TS+LR · OAS · 4–40 Hz

58.9% (54.9%–63.9%)

MDM · OAS · 4–40 Hz

53.8% (50.8%–57.9%)

ShallowFBCSPNet

68.8% (63.4%–73.9%)

Deep4Net

68.6% (63.3%–74.0%)

平衡准确率，9 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
Spectral ridge	Rest versus right-hand imagery	平衡准确率	54.9%53.2%–56.7%	10
CSP+LDA	Rest versus right-hand imagery	平衡准确率	47.1%43.8%–50.2%	10
LaBraM	Rest versus right-hand imagery	平衡准确率	53.5%51.4%–55.4%	10
CBraMod	Rest versus right-hand imagery	平衡准确率	62.9%59.6%–66.5%	10
EEGNet	Rest versus right-hand imagery	平衡准确率	71.0%65.0%–76.3%	10
TS+LR · OAS · 4–40 Hz	Rest versus right-hand imagery	平衡准确率	58.9%54.9%–63.9%主要行 · 一种固定配置（MOABB 参考设置）	10
MDM · OAS · 4–40 Hz	Rest versus right-hand imagery	平衡准确率	53.8%50.8%–57.9%次要行 · 一种固定配置（MOABB 参考设置）	10
ShallowFBCSPNet	Rest versus right-hand imagery	平衡准确率	68.8%63.4%–73.9%一个固定的随机种子和训练预算，与 EEGNet 单元格相同	10
Deep4Net	Rest versus right-hand imagery	平衡准确率	68.6%63.3%–74.0%一个固定的随机种子和训练预算，与 EEGNet 单元格相同	10

更多基础模型编码器（冻结）· 运动想象与静息

来源页面：核心矩阵协议：运动想象与静息 · 随机水平 50.0% · foundation-models-mi-rest.csv

REVE Base · 冻结编码器 + 岭回归分类头

66.2% (61.8%–70.6%)

REVE Large · 冻结编码器 + 岭回归分类头

70.2% (64.0%–76.1%)

LUNA Base · 冻结编码器 + 岭回归分类头

52.6% (50.2%–54.9%)

LUNA Large · 冻结编码器 + 岭回归分类头

49.9% (46.6%–53.5%)

BrainOmni Base · 冻结编码器 + 岭回归分类头

58.8% (57.0%–60.8%)

CodeBrain · 冻结编码器 + 岭回归分类头

58.8% (54.5%–62.6%)

EEGMamba · 冻结编码器 + 岭回归分类头

67.3% (63.6%–70.6%)

ST-EEGFormer Base · 冻结编码器 + 岭回归分类头

58.1% (53.7%–63.3%)

ST-EEGFormer Large · 冻结编码器 + 岭回归分类头

62.4% (57.4%–67.8%)

eeg-fm-masking MAE (r=9 cm, L=2) · 冻结编码器 + 岭回归分类头

68.1% (64.3%–72.3%)

ERP-FM Base · 冻结编码器 + 岭回归分类头

54.8% (51.8%–57.8%)

SingLEM · 冻结编码器 + 岭回归分类头

72.0% (66.6%–76.6%)

ZUNA 1.1 · 冻结编码器 + 岭回归分类头

50.7% (49.2%–52.1%)

eeg-fm-masking JEPA (r=9 cm, L=2) · 冻结编码器 + 岭回归分类头 · 掩码消融

63.2% (58.2%–67.9%)

eeg-fm-masking MAE (r=one channel, L=1) · 冻结编码器 + 岭回归分类头 · 掩码消融

64.9% (60.3%–69.4%)

eeg-fm-masking JEPA (r=one channel, L=1) · 冻结编码器 + 岭回归分类头 · 掩码消融

63.3% (59.0%–67.4%)

平衡准确率，16 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
REVE Base	冻结编码器 + 岭回归分类头	平衡准确率	66.2%61.8%–70.6%	10
REVE Large	冻结编码器 + 岭回归分类头	平衡准确率	70.2%64.0%–76.1%	10
LUNA Base	冻结编码器 + 岭回归分类头	平衡准确率	52.6%50.2%–54.9%	10
LUNA Large	冻结编码器 + 岭回归分类头	平衡准确率	49.9%46.6%–53.5%	10
BrainOmni Base	冻结编码器 + 岭回归分类头	平衡准确率	58.8%57.0%–60.8%	10
CodeBrain	冻结编码器 + 岭回归分类头	平衡准确率	58.8%54.5%–62.6%	10
EEGMamba	冻结编码器 + 岭回归分类头	平衡准确率	67.3%63.6%–70.6%	10
ST-EEGFormer Base	冻结编码器 + 岭回归分类头	平衡准确率	58.1%53.7%–63.3%	10
ST-EEGFormer Large	冻结编码器 + 岭回归分类头	平衡准确率	62.4%57.4%–67.8%	10
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	68.1%64.3%–72.3%	10
ERP-FM Base	冻结编码器 + 岭回归分类头	平衡准确率	54.8%51.8%–57.8%	10
SingLEM	冻结编码器 + 岭回归分类头	平衡准确率	72.0%66.6%–76.6%	10
ZUNA 1.1	冻结编码器 + 岭回归分类头	平衡准确率	50.7%49.2%–52.1%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。	10
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	63.2%58.2%–67.9%	10
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	64.9%60.3%–69.4%	10
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	63.3%59.0%–67.4%	10

权重条款：REVE 采用 REVE 负责任使用许可 v1.0（模型版本：REVE Base @ dc2a075c · REVE Large @ 317531c7）；LUNA 采用 CC BY-ND 4.0，不分享修改后的权重；BrainOmni、EEGMamba、ST-EEGFormer、SingLEM 采用 MIT；CodeBrain、ZUNA 采用 Apache-2.0；eeg-fm-masking 采用 CC-BY-4.0；ERP-FM 采用 CC BY-NC-SA 4.0，仅限非商业用途。任何模型的作者都没有为这些结果背书。全部权重许可与条款 →

EEGPT（冻结编码器）· 运动想象与静息

来源页面：核心矩阵协议：运动想象与静息 · 随机水平 50.0% · 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	58.3%54.9%–61.8%	10

ds003810 的采样率为 125 Hz；它的时间窗上采样到 256 Hz 后送入编码器，所以不含 62.5 Hz 以上的成分。

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 →

预训练 · 固定分类头

来源页面：预训练有用吗？ · deployment-topics.json, eegpt-core-update.json

方法	条件	指标	数值	被试
LaBraM	运动想象 / 静息 · 预训练	平衡准确率	53.5%	10
LaBraM	运动想象 / 静息 · 随机初始化（均值）	平衡准确率	55.9%	10
CBraMod	运动想象 / 静息 · 预训练	平衡准确率	62.9%	10
CBraMod	运动想象 / 静息 · 随机初始化（均值）	平衡准确率	56.5%	10
EEGPT	运动想象 / 静息 · 预训练	平衡准确率	58.3%	10
EEGPT	运动想象 / 静息 · 随机初始化（均值）	平衡准确率	54.1%	10

预训练 · 训练集内选定分类头

来源页面：预训练有用吗？ · deployment-topics.json, eegpt-core-update.json

方法	条件	指标	数值	被试
LaBraM	运动想象 / 静息 · 预训练	平衡准确率	52.9%	10
LaBraM	运动想象 / 静息 · 随机初始化（均值）	平衡准确率	56.5%	10
CBraMod	运动想象 / 静息 · 预训练	平衡准确率	62.7%	10
CBraMod	运动想象 / 静息 · 随机初始化（均值）	平衡准确率	54.9%	10
EEGPT	运动想象 / 静息 · 预训练	平衡准确率	57.0%	10
EEGPT	运动想象 / 静息 · 随机初始化（均值）	平衡准确率	53.1%	10

预训练 · 固定经典对照

来源页面：预训练有用吗？ · deployment-topics.json

方法	条件	指标	数值	被试
对数协方差岭回归	运动想象 / 静息	平衡准确率	52.3%48.5%–56.4%	10

可靠的决策 · 什么时候该拒绝作出决定（粗略：10 名被试）

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

方法	条件	指标	数值	被试
Spectral ridge	固定阈值：校准后的置信度不低于 0.8	被接受的窗口	0 / 1,200没有任何窗口被接受的被试：10 名（共 10 名）。	10
Spectral ridge	可学习的拒识选项减校准后的置信度，同一分类器（次要对比）	最有把握的 80% 中的错误率，差值（百分点）	+0.5 pp−1.1 pp–+2.3 pp不能认定有差异：区间包含零。	10
CBraMod	固定阈值：校准后的置信度不低于 0.8	被接受的窗口	7 / 1,200没有任何窗口被接受的被试：6 名（共 10 名）。	10
CBraMod	可学习的拒识选项减校准后的置信度，同一分类器（次要对比）	最有把握的 80% 中的错误率，差值（百分点）	+0.7 pp−0.8 pp–+2.4 pp不能认定有差异：区间包含零。	10
EEGNet	固定阈值：校准后的置信度不低于 0.8	被接受的窗口	250 / 1,200没有任何窗口被接受的被试：0 名（共 10 名）。	10
EEGNet	可学习的拒识选项减校准后的置信度，同一分类器（次要对比）	最有把握的 80% 中的错误率，差值（百分点）	+0.9 pp−0.4 pp–+2.4 pp不能认定有差异：区间包含零。	10

局限：十名被试，每个测试折两人。bootstrap 区间粗略；不发布按人的离散度。类别平衡，所以没有部署比率。这个数据集上可学习拒识选项的对比是次要对比。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 →

来源与许可

ds003810

署名 Peterson et al. · OpenNeuro ds003810, version 2.0.2. Study: https://pmc.ncbi.nlm.nih.gov/articles/PMC9114495/

数据集作者要求引用： Peterson V, Galván C, Hernández H, Spies R. A feasibility study of a complete low-cost consumer-grade brain-computer interface system. Heliyon 6(3):e03425 (2020). doi ↗ · 数据集记录中的要求 ↗

CC0-1.0 ↗ · 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 →

全部数据集 → · 全部方法 →

引用本页

BCI Report. ds003810：EEG 解码结果[EB/OL]. (2026-11-06). https://bci.report/zh/datasets/ds003810/

数字来自发布 core-matrix-update-20261106（2026-11-06）、eegpt-core-update-20261013（2026-10-13）、foundation-models-update-20261004（2026-10-04）、reliable-decisions-update-20261004（2026-10-04）、deployment-topics-20260920-v1（2026-09-20）、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）