EEGMAT：EEG 解码结果

心算 / 静息

EEGMAT：EEG 解码结果

EEGMAT（EEG During Mental Arithmetic Tasks）是 PhysioNet 上的一个数据库，1.0.0 版于 2018 年 12 月发布，为 36 名被试每人提供两段 60 秒无伪迹 EEG：一段在连续减法心算任务之前，一段在任务进行中。数据来自 Igor Sikorsky Kyiv Polytechnic Institute，并由 Zyma 等人在期刊 Data（2019）中描述。

又称 EEGMAT · EEG During Mental Arithmetic Tasks · Electroencephalograms during Mental Arithmetic Task Performance · Zyma et al. (2019)

简介来源 physionet.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 · 心算与静息

来源页面：核心矩阵协议：心算与静息 · 随机水平 50.0% · experiments.json, core-matrix-20261106-arithmetic-rest.csv

Spectral ridge

56.8% (54.6%–58.9%)

LaBraM

64.6% (60.5%–68.6%)

CBraMod

62.3% (58.1%–66.5%)

EEGNet

67.6% (62.8%–72.5%)

TS+LR · OAS · 4–40 Hz

65.5% (59.6%–71.8%)

MDM · OAS · 4–40 Hz

71.5% (65.5%–77.8%)

ShallowFBCSPNet

67.9% (63.4%–72.4%)

Deep4Net

61.3% (57.5%–65.2%)

CSP+LDA

68.3% (62.0%–74.3%)

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	Serial subtraction versus resting EEG	平衡准确率	56.8%54.6%–58.9%	36
LaBraM	Serial subtraction versus resting EEG	平衡准确率	64.6%60.5%–68.6%	36
CBraMod	Serial subtraction versus resting EEG	平衡准确率	62.3%58.1%–66.5%	36
EEGNet	Serial subtraction versus resting EEG	平衡准确率	67.6%62.8%–72.5%	36
TS+LR · OAS · 4–40 Hz	Serial subtraction versus resting EEG	平衡准确率	65.5%59.6%–71.8%主要行 · 一种固定配置（MOABB 参考设置）	36
MDM · OAS · 4–40 Hz	Serial subtraction versus resting EEG	平衡准确率	71.5%65.5%–77.8%次要行 · 一种固定配置（MOABB 参考设置）	36
ShallowFBCSPNet	Serial subtraction versus resting EEG	平衡准确率	67.9%63.4%–72.4%一个固定的随机种子和训练预算，与 EEGNet 单元格相同	36
Deep4Net	Serial subtraction versus resting EEG	平衡准确率	61.3%57.5%–65.2%一个固定的随机种子和训练预算，与 EEGNet 单元格相同	36
CSP+LDA	Serial subtraction versus resting EEG	平衡准确率	68.3%62.0%–74.3%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。	36

更多基础模型编码器（冻结）· 心算与静息

来源页面：核心矩阵协议：心算与静息 · 随机水平 50.0% · foundation-models-arithmetic-rest.csv

REVE Base · 冻结编码器 + 岭回归分类头

68.8% (64.1%–73.2%)

REVE Large · 冻结编码器 + 岭回归分类头

69.0% (63.3%–74.7%)

LUNA Base · 冻结编码器 + 岭回归分类头

60.7% (56.9%–64.4%)

LUNA Large · 冻结编码器 + 岭回归分类头

57.4% (54.3%–60.6%)

BrainOmni Base · 冻结编码器 + 岭回归分类头

61.6% (58.4%–64.9%)

CodeBrain · 冻结编码器 + 岭回归分类头

63.0% (59.5%–66.5%)

EEGMamba · 冻结编码器 + 岭回归分类头

60.3% (57.0%–63.4%)

ST-EEGFormer Base · 冻结编码器 + 岭回归分类头

64.5% (59.0%–70.0%)

ST-EEGFormer Large · 冻结编码器 + 岭回归分类头

63.4% (57.8%–69.0%)

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

63.6% (59.1%–68.1%)

ERP-FM Base · 冻结编码器 + 岭回归分类头

61.1% (57.3%–65.1%)

SingLEM · 冻结编码器 + 岭回归分类头

51.5% (49.2%–53.8%)

ZUNA 1.1 · 冻结编码器 + 岭回归分类头

53.3% (49.5%–57.1%)

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

61.6% (56.4%–66.5%)

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

64.3% (60.2%–68.2%)

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

62.5% (58.5%–66.2%)

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	68.8%64.1%–73.2%	36
REVE Large	冻结编码器 + 岭回归分类头	平衡准确率	69.0%63.3%–74.7%	36
LUNA Base	冻结编码器 + 岭回归分类头	平衡准确率	60.7%56.9%–64.4%	36
LUNA Large	冻结编码器 + 岭回归分类头	平衡准确率	57.4%54.3%–60.6%	36
BrainOmni Base	冻结编码器 + 岭回归分类头	平衡准确率	61.6%58.4%–64.9%	36
CodeBrain	冻结编码器 + 岭回归分类头	平衡准确率	63.0%59.5%–66.5%	36
EEGMamba	冻结编码器 + 岭回归分类头	平衡准确率	60.3%57.0%–63.4%	36
ST-EEGFormer Base	冻结编码器 + 岭回归分类头	平衡准确率	64.5%59.0%–70.0%	36
ST-EEGFormer Large	冻结编码器 + 岭回归分类头	平衡准确率	63.4%57.8%–69.0%	36
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	63.6%59.1%–68.1%	36
ERP-FM Base	冻结编码器 + 岭回归分类头	平衡准确率	61.1%57.3%–65.1%	36
SingLEM	冻结编码器 + 岭回归分类头	平衡准确率	51.5%49.2%–53.8%	36
ZUNA 1.1	冻结编码器 + 岭回归分类头	平衡准确率	53.3%49.5%–57.1%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。	36
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	61.6%56.4%–66.5%	36
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	64.3%60.2%–68.2%	36
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	62.5%58.5%–66.2%	36

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）· 心算与静息

来源页面：核心矩阵协议：心算与静息 · 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	65.7%60.9%–70.3%	36

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	脑力负荷 · 预训练	平衡准确率	64.6%	36
LaBraM	脑力负荷 · 随机初始化（均值）	平衡准确率	56.5%	36
CBraMod	脑力负荷 · 预训练	平衡准确率	62.3%	36
CBraMod	脑力负荷 · 随机初始化（均值）	平衡准确率	56.4%	36
EEGPT	脑力负荷 · 预训练	平衡准确率	65.7%	36
EEGPT	脑力负荷 · 随机初始化（均值）	平衡准确率	59.2%	36

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	脑力负荷 · 预训练	平衡准确率	64.4%	36
LaBraM	脑力负荷 · 随机初始化（均值）	平衡准确率	56.5%	36
CBraMod	脑力负荷 · 预训练	平衡准确率	68.4%	36
CBraMod	脑力负荷 · 随机初始化（均值）	平衡准确率	61.7%	36
EEGPT	脑力负荷 · 预训练	平衡准确率	66.0%	36
EEGPT	脑力负荷 · 随机初始化（均值）	平衡准确率	58.6%	36

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	脑力负荷	平衡准确率	61.9%56.2%–67.6%	36

模型适配 · LaBraM：新被试、同一任务、不使用测试被试的任何标签

来源页面：该更新哪一部分？ · 随机水平 50.0% · adaptation-update.json

LaBraM · 只训分类头 · 编码器冻结

56.6% (54.2%–59.0%)

LaBraM · 最后一个 Transformer 块 + 分类头

65.7% (61.6%–69.7%)

LaBraM · 秩为 4 的 LoRA + 分类头

64.1% (60.2%–67.8%)

平衡准确率，3 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
LaBraM	只训分类头 · 编码器冻结	平衡准确率	56.6%54.2%–59.0%	36
LaBraM	最后一个 Transformer 块 + 分类头	平衡准确率	65.7%61.6%–69.7%	36
LaBraM	秩为 4 的 LoRA + 分类头	平衡准确率	64.1%60.2%–67.8%	36
LaBraM	秩为 4 的 LoRA + 分类头减只训分类头	配对差值（百分点）	+7.5 pp+4.8 pp–+10.1 pp	36
LaBraM	最后一个 Transformer 块 + 分类头减只训分类头	配对差值（百分点）	+9.1 pp+6.0 pp–+12.2 pp	36
LaBraM	秩为 4 的 LoRA + 分类头减最后一个 Transformer 块 + 分类头	配对差值（百分点）	−1.6 pp−4.4 pp–+1.0 pp	36

模型适配（更多编码器）· 新被试、同一任务、一个固定方案

来源页面：核心矩阵协议：心算与静息 · 随机水平 50.0% · foundation-models-update.json

方法	条件	指标	数值	被试
REVE Base	冻结编码器 + 训练的分类头	平衡准确率	64.0%60.4%–67.7%1,026 个可训练参数。	36
REVE Base	秩为 4 的 LoRA + 分类头	平衡准确率	66.3%61.9%–70.7%181,250 个可训练参数。	36
REVE Base	LoRA 减冻结 + 分类头，相同被试与折	配对差值（百分点）	+2.3 pp+0.1 pp–+4.6 pp21 人提升、13 人变差、2 人不变。区间不含零。	36
REVE Large	冻结编码器 + 训练的分类头	平衡准确率	65.6%61.1%–70.1%2,434 个可训练参数。	36
REVE Large	秩为 4 的 LoRA + 分类头	平衡准确率	69.2%63.4%–74.9%430,466 个可训练参数。	36
REVE Large	LoRA 减冻结 + 分类头，相同被试与折	配对差值（百分点）	+3.6 pp+0.5 pp–+6.8 pp21 人提升、13 人变差、2 人不变。区间不含零。	36
LUNA Base	冻结编码器 + 训练的分类头	平衡准确率	58.2%54.5%–61.7%514 个可训练参数。	36
LUNA Base	秩为 4 的 LoRA + 分类头	平衡准确率	60.0%55.9%–63.9%37,378 个可训练参数。	36
LUNA Base	LoRA 减冻结 + 分类头，相同被试与折	配对差值（百分点）	+1.8 pp+0.1 pp–+3.3 pp23 人提升、11 人变差、2 人不变。区间不含零。	36
BrainOmni Base	冻结编码器 + 训练的分类头	平衡准确率	64.5%59.6%–69.2%16,386 个可训练参数。	36
BrainOmni Base	秩为 4 的 LoRA + 分类头	平衡准确率	64.8%59.6%–69.7%106,498 个可训练参数。	36
BrainOmni Base	LoRA 减冻结 + 分类头，相同被试与折	配对差值（百分点）	+0.3 pp−1.4 pp–+1.8 pp18 人提升、14 人变差、4 人不变。区间包含零：不能认定有变化。	36
CodeBrain	冻结编码器 + 训练的分类头	平衡准确率	66.5%62.3%–70.6%7,602 个可训练参数。	36
CodeBrain	秩为 4 的 LoRA + 分类头	平衡准确率	67.1%62.6%–71.6%58,802 个可训练参数。	36
CodeBrain	LoRA 减冻结 + 分类头，相同被试与折	配对差值（百分点）	+0.6 pp−0.7 pp–+1.9 pp18 人提升、14 人变差、4 人不变。区间包含零：不能认定有变化。	36
EEGMamba	冻结编码器 + 训练的分类头	平衡准确率	60.4%55.7%–65.2%7,602 个可训练参数。	36
EEGMamba	秩为 4 的 LoRA + 分类头	平衡准确率	60.8%56.3%–65.3%90,930 个可训练参数。	36
EEGMamba	LoRA 减冻结 + 分类头，相同被试与折	配对差值（百分点）	+0.4 pp−0.7 pp–+1.5 pp18 人提升、14 人变差、4 人不变。区间包含零：不能认定有变化。	36
ST-EEGFormer Base	冻结编码器 + 训练的分类头	平衡准确率	63.2%59.7%–66.7%1,538 个可训练参数。	36
ST-EEGFormer Base	秩为 4 的 LoRA + 分类头	平衡准确率	65.1%61.0%–69.4%148,994 个可训练参数。	36
ST-EEGFormer Base	LoRA 减冻结 + 分类头，相同被试与折	配对差值（百分点）	+1.9 pp−0.2 pp–+4.1 pp20 人提升、16 人变差、0 人不变。区间包含零：不能认定有变化。	36
SingLEM	冻结编码器 + 训练的分类头	平衡准确率	50.9%49.5%–52.3%1,218 个可训练参数。	36
SingLEM	秩为 4 的 LoRA + 分类头	平衡准确率	60.6%56.7%–64.4%33,986 个可训练参数。	36
SingLEM	LoRA 减冻结 + 分类头，相同被试与折	配对差值（百分点）	+9.7 pp+6.1 pp–+13.3 pp30 人提升、6 人变差、0 人不变。区间不含零。	36
ZUNA 1.1	冻结编码器 + 训练的分类头	平衡准确率	51.2%49.8%–52.7%1,218 个可训练参数。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。	36
ZUNA 1.1	秩为 4 的 LoRA + 分类头	平衡准确率	56.9%53.7%–60.1%296,130 个可训练参数。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。	36
ZUNA 1.1	LoRA 减冻结 + 分类头，相同被试与折	配对差值（百分点）	+5.7 pp+2.5 pp–+8.7 pp28 人提升、7 人变差、1 人不变。区间不含零。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。	36

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。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 →

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
Spectral ridge	固定阈值：校准后的置信度不低于 0.8	被接受的窗口	3 / 2,160没有任何窗口被接受的被试：33 名（共 36 名）。	36
Spectral ridge	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）	+0.5 pp−1.2 pp–+1.7 pp不能认定有差异：区间包含零。	36
EEGNet	固定阈值：校准后的置信度不低于 0.8	被接受的窗口	126 / 2,160没有任何窗口被接受的被试：19 名（共 36 名）。	36
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）	+2.3 pp+0.6 pp–+4.1 pp可以认定有差异：区间不含零。	36
LaBraM · 只训分类头，编码器冻结	固定阈值：校准后的置信度不低于 0.8	被接受的窗口	1 / 2,160没有任何窗口被接受的被试：35 名（共 36 名）。	36
LaBraM · 只训分类头，编码器冻结	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）	+0.6 pp−0.5 pp–+2.7 pp不能认定有差异：区间包含零。	36
LaBraM · 秩为 4 的 LoRA + 分类头	固定阈值：校准后的置信度不低于 0.8	被接受的窗口	44 / 2,160没有任何窗口被接受的被试：24 名（共 36 名）。	36
LaBraM · 秩为 4 的 LoRA + 分类头	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）	+1.9 pp+0.6 pp–+3.5 pp可以认定有差异：区间不含零。	36

局限：设计上类别平衡。错误率描述的是 1:1 的混合，是方法比较，不是部署时的比率。每个类别各自是一段记录，所以记录层面的差异也是任何模型或选择器都能利用的信息。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

EEGMAT

署名 Igor Zyma, Ivan Seleznov, Anton Popov, Mariia Chernykh, Oleksii Shpenkov · EEG During Mental Arithmetic Tasks 1.0.0, PhysioNet, doi:10.13026/C2JQ1P. Study: Zyma et al. (2019), doi:10.3390/data4010014. PhysioNet platform: Pollard et al. (2026), doi:10.1038/s44360-026-00096-z.

Open Data Commons Attribution License 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. EEGMAT：EEG 解码结果[EB/OL]. (2026-11-06). https://bci.report/zh/datasets/eegmat/

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）、adaptation-update-20261001（2026-10-01）、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）