EESM19 scalp subset：EEG 解码结果

五期睡眠分期

EESM19 scalp subset：EEG 解码结果

EESM19（Ear-EEG Sleep Monitoring 2019，OpenNeuro ds005185）是 Aarhus University 的居家睡眠数据集：20 名被试各在家中睡 4 晚，同时佩戴干电极耳内 EEG（ear-EEG）与经人工睡眠分期的部分多导睡眠图，其中 10 名被试另外记录了 12 晚仅有 ear-EEG 的数据。首次发表于 Mikkelsen 等人的 Scientific Reports（2019）论文。

又称 EESM19 · Ear-EEG Sleep Monitoring 2019 · ds005185 · Mikkelsen et al. (2019)

简介来源 openneuro.org · pmc.ncbi.nlm.nih.gov · 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 · 睡眠分期

来源页面：核心矩阵协议：睡眠分期 · 随机水平 20.0% · experiments.json, core-matrix-20261106-sleep-scalp.csv

Spectral ridge

72.2% (70.7%–73.8%)

LaBraM

71.1% (69.0%–73.2%)

CBraMod

71.3% (68.7%–73.7%)

EEGNet

56.5% (54.9%–58.3%)

ShallowFBCSPNet

55.0% (53.1%–56.8%)

Deep4Net

45.2% (42.7%–47.7%)

CSP+LDA（一对其余 CSP）

50.1% (46.9%–53.1%)

平衡准确率，7 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	Five stages · balanced scalp-EEG sample	平衡准确率	72.2%70.7%–73.8%	20
LaBraM	Five stages · balanced scalp-EEG sample	平衡准确率	71.1%69.0%–73.2%	20
CBraMod	Five stages · balanced scalp-EEG sample	平衡准确率	71.3%68.7%–73.7%	20
EEGNet	Five stages · balanced scalp-EEG sample	平衡准确率	56.5%54.9%–58.3%	20
ShallowFBCSPNet	Five stages · balanced scalp-EEG sample	平衡准确率	55.0%53.1%–56.8%一个固定的随机种子和训练预算，与 EEGNet 单元格相同	20
Deep4Net	Five stages · balanced scalp-EEG sample	平衡准确率	45.2%42.7%–47.7%一个固定的随机种子和训练预算，与 EEGNet 单元格相同	20
CSP+LDA（一对其余 CSP）	Five stages · balanced scalp-EEG sample	平衡准确率	50.1%46.9%–53.1%一对其余 CSP：每个睡眠阶段一个二分类 CSP，30 个对数方差特征，一个收缩 LDA；宽带，与已发布的 mi-rest 配方一致；是新的代码路径，不是调参后的 CSP。	20

更多基础模型编码器（冻结）· 睡眠分期

来源页面：核心矩阵协议：睡眠分期 · 随机水平 20.0% · foundation-models-sleep-scalp.csv

REVE Base · 冻结编码器 + 岭回归分类头

74.6% (72.9%–76.4%)

REVE Large · 冻结编码器 + 岭回归分类头

76.6% (75.2%–78.0%)

LUNA Base · 冻结编码器 + 岭回归分类头

67.5% (65.3%–69.5%)

LUNA Large · 冻结编码器 + 岭回归分类头

72.4% (70.4%–74.0%)

BrainOmni Base · 冻结编码器 + 岭回归分类头

67.7% (65.8%–69.5%)

CodeBrain · 冻结编码器 + 岭回归分类头

70.7% (68.8%–72.7%)

EEGMamba · 冻结编码器 + 岭回归分类头

64.1% (61.6%–66.4%)

ST-EEGFormer Base · 冻结编码器 + 岭回归分类头

77.3% (75.6%–78.8%)

ST-EEGFormer Large · 冻结编码器 + 岭回归分类头

79.6% (78.2%–81.0%)

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

67.9% (65.4%–70.4%)

ERP-FM Base · 冻结编码器 + 岭回归分类头

71.0% (69.5%–72.6%)

SingLEM · 冻结编码器 + 岭回归分类头

35.3% (33.7%–37.0%)

ZUNA 1.1 · 冻结编码器 + 岭回归分类头

60.1% (57.8%–62.3%)

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

70.3% (68.0%–72.7%)

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

65.2% (63.0%–67.3%)

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

68.3% (65.7%–70.8%)

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	74.6%72.9%–76.4%	20
REVE Large	冻结编码器 + 岭回归分类头	平衡准确率	76.6%75.2%–78.0%	20
LUNA Base	冻结编码器 + 岭回归分类头	平衡准确率	67.5%65.3%–69.5%	20
LUNA Large	冻结编码器 + 岭回归分类头	平衡准确率	72.4%70.4%–74.0%	20
BrainOmni Base	冻结编码器 + 岭回归分类头	平衡准确率	67.7%65.8%–69.5%	20
CodeBrain	冻结编码器 + 岭回归分类头	平衡准确率	70.7%68.8%–72.7%	20
EEGMamba	冻结编码器 + 岭回归分类头	平衡准确率	64.1%61.6%–66.4%	20
ST-EEGFormer Base	冻结编码器 + 岭回归分类头	平衡准确率	77.3%75.6%–78.8%	20
ST-EEGFormer Large	冻结编码器 + 岭回归分类头	平衡准确率	79.6%78.2%–81.0%	20
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	67.9%65.4%–70.4%	20
ERP-FM Base	冻结编码器 + 岭回归分类头	平衡准确率	71.0%69.5%–72.6%	20
SingLEM	冻结编码器 + 岭回归分类头	平衡准确率	35.3%33.7%–37.0%	20
ZUNA 1.1	冻结编码器 + 岭回归分类头	平衡准确率	60.1%57.8%–62.3%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。	20
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	70.3%68.0%–72.7%	20
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	65.2%63.0%–67.3%	20
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	68.3%65.7%–70.8%	20

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）· 睡眠分期

来源页面：核心矩阵协议：睡眠分期 · 随机水平 20.0% · 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	75.5%73.9%–77.1%	20

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 →

一个模型，多个问题 · 睡眠，EESM19 完整版（粗略：20 名被试，1 个随机种子）

来源页面：一个模型，多个问题 · shared-representation-update.json

方法	条件	指标	数值	被试
EEGNet	固定分类头（B-lin） · 五期睡眠分期（SL-A）· 从头训练，1 个随机种子	平衡准确率	63.2%1 个随机种子：只有均值，没有区间。	20
EEGNet	问题条件化分类头（C1） · 五期睡眠分期（SL-A）· 从头训练，1 个随机种子	平衡准确率	66.7%1 个随机种子：只有均值，没有区间。	20
EEGNet	分开的模型（A） · 五期睡眠分期（SL-A）· 从头训练，1 个随机种子	平衡准确率	64.7%1 个随机种子：只有均值，没有区间。	20
EEGNet	五期睡眠分期（SL-A）· 问题条件化分类头减固定分类头（C1 − B-lin）	配对差值（百分点），平衡准确率	+3.47 pp+1.54–+5.64 ppC1 更高；未达到 2 pp 界值；通过门槛。	20
EEGNet	五期睡眠分期（SL-A）· 一个共享小 CNN 主干上的固定分类头减分开的模型（B-lin − A(SL-A)）	配对差值（百分点），平衡准确率	−1.47 pp−2.90–−0.10 ppA(SL-A) 更高；未达到 2 pp 界值；通过门槛。	20
EEGNet	固定分类头（B-lin） · 下一帧分期是否改变（SL-E）· 从头训练，1 个随机种子	平衡准确率	53.4%1 个随机种子：只有均值，没有区间。	20
EEGNet	问题条件化分类头（C1） · 下一帧分期是否改变（SL-E）· 从头训练，1 个随机种子	平衡准确率	56.8%1 个随机种子：只有均值，没有区间。	20
EEGNet	分开的模型（A） · 下一帧分期是否改变（SL-E）· 从头训练，1 个随机种子	平衡准确率	52.1%1 个随机种子：只有均值，没有区间。	20
EEGNet	下一帧分期是否改变（SL-E）· 问题条件化分类头减固定分类头（C1 − B-lin）	配对差值（百分点），平衡准确率	+3.38 pp+2.27–+4.36 ppC1 更高；未达到 2 pp 界值（处于下限，不读界值）；处于下限：报告，不计入。	20
EEGNet	下一帧分期是否改变（SL-E）· 一个共享小 CNN 主干上的固定分类头减分开的模型（B-lin − A(SL-E)）	配对差值（百分点），平衡准确率	+1.33 pp+0.42–+2.32 ppB-lin 更高；B-lin 非劣（界值 2 pp）（处于下限，不读界值）；处于下限：报告，不计入。	20
EEGNet	固定分类头（B-lin） · 前半夜还是后半夜（SL-F）· 从头训练，1 个随机种子	平衡准确率	61.8%1 个随机种子：只有均值，没有区间。	20
EEGNet	问题条件化分类头（C1） · 前半夜还是后半夜（SL-F）· 从头训练，1 个随机种子	平衡准确率	63.8%1 个随机种子：只有均值，没有区间。	20
EEGNet	分开的模型（A） · 前半夜还是后半夜（SL-F）· 从头训练，1 个随机种子	平衡准确率	62.5%1 个随机种子：只有均值，没有区间。	20
EEGNet	前半夜还是后半夜（SL-F）· 问题条件化分类头减固定分类头（C1 − B-lin）	配对差值（百分点），平衡准确率	+2.09 pp+0.38–+3.74 ppC1 更高；未达到 2 pp 界值；通过门槛。	20
EEGNet	前半夜还是后半夜（SL-F）· 一个共享小 CNN 主干上的固定分类头减分开的模型（B-lin − A(SL-F)）	配对差值（百分点），平衡准确率	−0.72 pp−2.10–+0.69 pp未显示差异；未达到 2 pp 界值：在这个样本量下无法下结论；通过门槛。	20

局限：这些问题都是各自数据集里已有标签的分类目标，按标识提问。它们不是语言提示，对没见过的问题也说明不了什么（那是第 3 条路线）。EESM19 完整版（S13）用了所有通过已发布核心规则的存储数据帧，保持自然的分期比例；它与本站类别平衡的头皮睡眠子集是不同的协议。SL-E 和 SL-F 在很大程度上可以由当前分期预测；EESM19 上没有计算只用分期的读出。配对 95% 区间不含零时，才算显示出差异；整个区间落在 ±2 pp 以内（这个界值在任何结果出来之前就已定下）时，才算等效；区间排除了某个设置落后 2 pp 或以上的可能时，说它非劣。不做多重比较校正：第二条路线有 21 项主分析比较，另有各项次要比较，在没有真实差异的比较里，约每 20 项就可能有 1 项偶然显示出差异。第二条路线的全部局限 →

来源与许可

EESM19 scalp subset

署名 Kaare B. Mikkelsen et al. · Accurate whole-night sleep monitoring with dry-contact ear-EEG (2019), doi:10.1038/s41598-019-53115-3; OpenNeuro ds005185 v1.0.2. Processed mirror: Zachary1150/EESM19-Processed.

CC0-1.0（上游与镜像均如此声明） ↗ (CC0-1.0 declared by upstream and mirror) · 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. EESM19 scalp subset：EEG 解码结果[EB/OL]. (2026-11-06). https://bci.report/zh/datasets/eesm19/

数字来自发布 core-matrix-update-20261106（2026-11-06）、eegpt-core-update-20261013（2026-10-13）、shared-representation-update-20261007（2026-10-07）、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）