BCI Report
English中文

P300 目标 ERP

ds006593：EEG 解码结果

cBCI Matrix Multimodal Dataset（OpenNeuro ds006593）包含 21 名对照被试在 BciPy 中完成单字符呈现（single-character-presentation）矩阵拼写校准任务时的 EEG 与眼动记录，于 2023 年在 Northeastern University 采集，使用 DSI-24 干电极帽。由 Celik 等人于 2025 年发布于 OpenNeuro。

又称 ds006593 · cBCI Matrix Multimodal Dataset · Multimodal Sensor Fusion for EEG-Based BCI Typing Systems · on006593

简介来源 openneuro.org · nemar.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 · P300 目标 ERP

来源页面：核心矩阵协议：P300 目标 ERP · 随机水平 50.0% · experiments.json, core-matrix-20261106-p300-target.csv

Spectral ridge
51.0% (49.6%–52.4%)
Temporal ridge
53.8% (51.9%–55.6%)
LaBraM
49.4% (47.7%–51.2%)
CBraMod
55.0% (53.3%–56.7%)
EEGNet
53.3% (51.7%–54.9%)
XDAWNCov+TS+LR · 4 个滤波器 · 50 Hz
61.9% (58.8%–65.0%)
xDAWN+LDA · 4 个滤波器 · 50 Hz
60.4% (57.7%–63.2%)
ShallowFBCSPNet
49.7% (49.0%–50.4%)
Deep4Net
50.8% (50.0%–51.6%)
CSP+LDA
50.0% (49.1%–50.8%)
平衡准确率，10 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 ridgeVisual target versus nontarget events平衡准确率51.0%49.6%–52.4%21
Temporal ridgeVisual target versus nontarget events平衡准确率53.8%51.9%–55.6%21
LaBraMVisual target versus nontarget events平衡准确率49.4%47.7%–51.2%21
CBraModVisual target versus nontarget events平衡准确率55.0%53.3%–56.7%21
EEGNetVisual target versus nontarget events平衡准确率53.3%51.7%–54.9%21
XDAWNCov+TS+LR · 4 个滤波器 · 50 HzVisual target versus nontarget events平衡准确率61.9%58.8%–65.0%主要行 · 一种固定配置（MOABB 参考设置）21
xDAWN+LDA · 4 个滤波器 · 50 HzVisual target versus nontarget events平衡准确率60.4%57.7%–63.2%次要行 · 一种固定配置（MOABB 参考设置）21
ShallowFBCSPNetVisual target versus nontarget events平衡准确率49.7%49.0%–50.4%一个固定的随机种子和训练预算，与 EEGNet 单元格相同21
Deep4NetVisual target versus nontarget events平衡准确率50.8%50.0%–51.6%Braindecode 为 1 秒输入自动缩放的 Deep4Net（无时间池化，229 个样本的分类器，235,752 个参数），不是原始的 Deep4Net 配置。区间下端 50.04% 显示为 50.0；它比 50% 的参照高 0.04 pp。21
CSP+LDAVisual target versus nontarget events平衡准确率50.0%49.1%–50.8%未经带通滤波的宽带 CSP，即已发布 mi-rest CSP+LDA 单元格的配方；不是调参后的 CSP。在这个 ERP 协议上，它读取的是频带功率，而不是波形。21

更多基础模型编码器（冻结）· P300 目标 ERP

来源页面：核心矩阵协议：P300 目标 ERP · 随机水平 50.0% · foundation-models-p300-target.csv

REVE Base · 冻结编码器 + 岭回归分类头
50.5% (48.5%–52.3%)
REVE Large · 冻结编码器 + 岭回归分类头
54.6% (52.7%–56.5%)
LUNA Base · 冻结编码器 + 岭回归分类头
48.7% (46.3%–51.1%)
LUNA Large · 冻结编码器 + 岭回归分类头
48.8% (46.9%–50.8%)
CodeBrain · 冻结编码器 + 岭回归分类头
50.8% (49.3%–52.2%)
EEGMamba · 冻结编码器 + 岭回归分类头
52.5% (51.4%–53.5%)
ST-EEGFormer Base · 冻结编码器 + 岭回归分类头
53.6% (52.3%–54.8%)
ST-EEGFormer Large · 冻结编码器 + 岭回归分类头
52.7% (51.3%–54.2%)
eeg-fm-masking MAE (r=9 cm, L=2) · 冻结编码器 + 岭回归分类头
49.5% (48.1%–51.0%)
ERP-FM Base · 冻结编码器 + 岭回归分类头
51.2% (49.3%–53.2%)
SingLEM · 冻结编码器 + 岭回归分类头
51.2% (49.2%–53.1%)
ZUNA 1.1 · 冻结编码器 + 岭回归分类头
51.6% (50.3%–53.0%)
eeg-fm-masking JEPA (r=9 cm, L=2) · 冻结编码器 + 岭回归分类头 · 掩码消融
51.6% (50.4%–52.7%)
eeg-fm-masking MAE (r=one channel, L=1) · 冻结编码器 + 岭回归分类头 · 掩码消融
51.1% (49.2%–53.0%)
eeg-fm-masking JEPA (r=one channel, L=1) · 冻结编码器 + 岭回归分类头 · 掩码消融
50.0% (48.7%–51.5%)
平衡准确率，15 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50.5%48.5%–52.3%21
REVE Large冻结编码器 + 岭回归分类头平衡准确率54.6%52.7%–56.5%21
LUNA Base冻结编码器 + 岭回归分类头平衡准确率48.7%46.3%–51.1%21
LUNA Large冻结编码器 + 岭回归分类头平衡准确率48.8%46.9%–50.8%21
CodeBrain冻结编码器 + 岭回归分类头平衡准确率50.8%49.3%–52.2%21
EEGMamba冻结编码器 + 岭回归分类头平衡准确率52.5%51.4%–53.5%21
ST-EEGFormer Base冻结编码器 + 岭回归分类头平衡准确率53.6%52.3%–54.8%21
ST-EEGFormer Large冻结编码器 + 岭回归分类头平衡准确率52.7%51.3%–54.2%21
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49.5%48.1%–51.0%21
ERP-FM Base冻结编码器 + 岭回归分类头平衡准确率51.2%49.3%–53.2%21
SingLEM冻结编码器 + 岭回归分类头平衡准确率51.2%49.2%–53.1%21
ZUNA 1.1冻结编码器 + 岭回归分类头平衡准确率51.6%50.3%–53.0%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。21
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51.6%50.4%–52.7%21
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51.1%49.2%–53.0%21
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50.0%48.7%–51.5%21

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；CodeBrain、ZUNA 采用 Apache-2.0；EEGMamba、ST-EEGFormer、SingLEM 采用 MIT；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 →

BrainOmni Base：未运行。BrainTokenizer 需要 512 个采样点的时间窗（256 Hz 下 2.0 秒）；已发布的片段是 1 秒 = 256 个采样点，所以上游的 unfold() 会给每个时间窗的 512 个采样点补零 256 个（凭空造出的采样点）。上游所有下游任务用的时间窗都不短于 2 秒。BrainTokenizer needs a 512-sample window (2.0 s at 256 Hz); the published segment is 1 s = 256 samples, so upstream unfold() would zero-pad 256 of 512 samples of every window (invented samples). All upstream downstream tasks use >= 2 s windows.

EEGPT（冻结编码器）· P300 目标 ERP

来源页面：核心矩阵协议：P300 目标 ERP · 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54.0%51.5%–56.6%21

P300 与语义目标两个协议的一秒时间窗按四个实际的 0.25 秒片段（patch）运行：编码器构建之后才把片段网格设为四个，没有任何填充。EEGPT 的编码器对每个时间片段分别处理，所以这在数值上等同于直接按 256 个采样点的输入构建编码器，就像 Orthosis 试点按它 128 个采样点的时间窗构建编码器那样。

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 →

来源与许可

ds006593

署名 OpenNeuro ds006593 contributors · version 1.0.0, doi:10.18112/openneuro.ds006593.v1.0.0; original author credits retained at the linked source.

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. ds006593：EEG 解码结果[EB/OL]. (2026-11-06). https://bci.report/zh/datasets/ds006593/

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）、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）