# EEGMAT：EEG 解码结果

心算 / 静息

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](https://physionet.org/content/eegmat/1.0.0/) · [doi.org](https://doi.org/10.3390/data4010014)

## 出现在

- [核心矩阵（首页）](https://bci.report/zh/#overview)
- [预训练对 LaBraM、CBraMod 这类 EEG 基础模型有帮助吗？](https://bci.report/zh/topics/does-pretraining-help/)

## 已发布的结果

下面每个数字都直接取自经过审核的下载文件，没有为本页重新计算。请到链接的页面，连同协议一起阅读每一组。

### 核心矩阵 · 心算与静息

连同协议阅读： [核心矩阵（首页）](https://bci.report/zh/#overview) · 随机水平 50.0% · [experiments.json](https://bci.report/data/experiments.json)

**平衡准确率，4 个配置。** 点为估计值，横线为 95% 区间，虚线为随机水平（发布数据中有记录时）。

- 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%)

| 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](https://bci.report/zh/methods/labram/) | Serial subtraction versus resting EEG | 平衡准确率 | 64.6% (60.5%–68.6%) | 36 |
| [CBraMod](https://bci.report/zh/methods/cbramod/) | Serial subtraction versus resting EEG | 平衡准确率 | 62.3% (58.1%–66.5%) | 36 |
| [EEGNet](https://bci.report/zh/methods/eegnet/) | Serial subtraction versus resting EEG | 平衡准确率 | 67.6% (62.8%–72.5%) | 36 |

### 预训练 · 固定分类头

连同协议阅读： [预训练有用吗？](https://bci.report/zh/topics/does-pretraining-help/) · [deployment-topics.json](https://bci.report/data/deployment-topics.json)

| 方法 | 条件 | 指标 | 数值 | 被试 |
| --- | --- | --- | --- | --- |
| [LaBraM](https://bci.report/zh/methods/labram/) | 脑力负荷 · 预训练 | 平衡准确率 | 64.6% | 36 |
| [LaBraM](https://bci.report/zh/methods/labram/) | 脑力负荷 · 随机初始化（均值） | 平衡准确率 | 56.5% | 36 |
| [CBraMod](https://bci.report/zh/methods/cbramod/) | 脑力负荷 · 预训练 | 平衡准确率 | 62.3% | 36 |
| [CBraMod](https://bci.report/zh/methods/cbramod/) | 脑力负荷 · 随机初始化（均值） | 平衡准确率 | 56.4% | 36 |

### 预训练 · 训练集内选定分类头

连同协议阅读： [预训练有用吗？](https://bci.report/zh/topics/does-pretraining-help/) · [deployment-topics.json](https://bci.report/data/deployment-topics.json)

| 方法 | 条件 | 指标 | 数值 | 被试 |
| --- | --- | --- | --- | --- |
| [LaBraM](https://bci.report/zh/methods/labram/) | 脑力负荷 · 预训练 | 平衡准确率 | 64.4% | 36 |
| [LaBraM](https://bci.report/zh/methods/labram/) | 脑力负荷 · 随机初始化（均值） | 平衡准确率 | 56.5% | 36 |
| [CBraMod](https://bci.report/zh/methods/cbramod/) | 脑力负荷 · 预训练 | 平衡准确率 | 68.4% | 36 |
| [CBraMod](https://bci.report/zh/methods/cbramod/) | 脑力负荷 · 随机初始化（均值） | 平衡准确率 | 61.7% | 36 |

### 预训练 · 固定经典对照

连同协议阅读： [预训练有用吗？](https://bci.report/zh/topics/does-pretraining-help/) · [deployment-topics.json](https://bci.report/data/deployment-topics.json)

| 方法 | 条件 | 指标 | 数值 | 被试 |
| --- | --- | --- | --- | --- |
| Log-covariance ridge | 脑力负荷 | 平衡准确率 | 61.9% (56.2%–67.6%) | 36 |

## 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 ↗](https://opendatacommons.org/licenses/by/1-0/) · [数据集记录 ↗](https://physionet.org/content/eegmat/1.0.0/)

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；数据归属于署名中的作者。

[全部数据集 →](https://bci.report/zh/datasets/) · [全部方法 →](https://bci.report/zh/methods/)

---
本文是 https://bci.report/zh/datasets/eegmat/ 的 Markdown 版本，由已发布的网页生成。数字均为聚合结果；使用条款见 https://bci.report/data-use/（英文）。