运动想象:跨两次会话的左右手,以及想象还是静息

OpenBMI motor imagery (Lee et al. 2019):EEG 解码结果

OpenBMI 数据集(GigaScience Database 100542)收录 54 名健康被试的 EEG:每人在不同的两天各记录一次会话,覆盖三种 BCI 范式——运动想象、事件相关电位与 SSVEP——62 个电极、采样率 1,000 Hz,另有问卷、静息态与伪迹记录。由高丽大学(Korea University)的 Lee 等人随 OpenBMI 工具箱发布,并在 GigaScience(2019)中描述。这里只用到运动想象的训练段。

又称 OpenBMI · Lee2019 · Lee2019_MI · GigaDB 100542 · EEG Dataset and OpenBMI Toolbox for Three BCI Paradigms · Lee et al. (2019)

简介来源 doi.org · doi.org · api.datacite.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。

校准预算 · 同一被试、下一次会话、运动想象

来源页面:需要多少校准? · 随机水平 50.0% · large-source-update.json

对数协方差 + 收缩 LDA · 第一次会话 → 第二次会话 · 0 个第二次会话校准试次
67.9% (63.6%–72.4%)
对数协方差 + 收缩 LDA · 第一次会话 → 第二次会话 · 10 个第二次会话校准试次
69.1% (64.8%–73.5%)
对数协方差 + 收缩 LDA · 第一次会话 → 第二次会话 · 20 个第二次会话校准试次
69.2% (65.3%–73.4%)
对数协方差 + 收缩 LDA · 第一次会话 → 第二次会话 · 40 个第二次会话校准试次
72.4% (68.9%–76.2%)
相对 PSD + 标准化岭回归 · 第一次会话 → 第二次会话 · 0 个第二次会话校准试次
57.3% (54.4%–60.5%)
相对 PSD + 标准化岭回归 · 第一次会话 → 第二次会话 · 10 个第二次会话校准试次
57.4% (54.5%–60.5%)
相对 PSD + 标准化岭回归 · 第一次会话 → 第二次会话 · 20 个第二次会话校准试次
57.9% (55.2%–60.8%)
相对 PSD + 标准化岭回归 · 第一次会话 → 第二次会话 · 40 个第二次会话校准试次
59.0% (56.0%–62.1%)
平衡准确率,8 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
对数协方差 + 收缩 LDA第一次会话 → 第二次会话 · 0 个第二次会话校准试次平衡准确率67.9%63.6%–72.4%51
对数协方差 + 收缩 LDA第一次会话 → 第二次会话 · 10 个第二次会话校准试次平衡准确率69.1%64.8%–73.5%51
对数协方差 + 收缩 LDA第一次会话 → 第二次会话 · 20 个第二次会话校准试次平衡准确率69.2%65.3%–73.4%51
对数协方差 + 收缩 LDA第一次会话 → 第二次会话 · 40 个第二次会话校准试次平衡准确率72.4%68.9%–76.2%51
对数协方差 + 收缩 LDA10 个减 0 个第二次会话校准试次,相同被试与测试试次配对差值(百分点)+1.2 pp−0.6 pp–+3.3 pp21 人下降(共 51 人),其中 8 人下降 5 pp 及以上。区间包含零:这一提升不能认定。51
对数协方差 + 收缩 LDA20 个减 0 个第二次会话校准试次,相同被试与测试试次配对差值(百分点)+1.4 pp−0.3 pp–+3.2 pp24 人下降(共 51 人),其中 6 人下降 5 pp 及以上。区间包含零:这一提升不能认定。51
对数协方差 + 收缩 LDA40 个减 0 个第二次会话校准试次,相同被试与测试试次配对差值(百分点)+4.6 pp+2.3 pp–+6.9 pp13 人下降(共 51 人),其中 6 人下降 5 pp 及以上。51
相对 PSD + 标准化岭回归第一次会话 → 第二次会话 · 0 个第二次会话校准试次平衡准确率57.3%54.4%–60.5%51
相对 PSD + 标准化岭回归第一次会话 → 第二次会话 · 10 个第二次会话校准试次平衡准确率57.4%54.5%–60.5%51
相对 PSD + 标准化岭回归第一次会话 → 第二次会话 · 20 个第二次会话校准试次平衡准确率57.9%55.2%–60.8%51
相对 PSD + 标准化岭回归第一次会话 → 第二次会话 · 40 个第二次会话校准试次平衡准确率59.0%56.0%–62.1%51
相对 PSD + 标准化岭回归10 个减 0 个第二次会话校准试次,相同被试与测试试次配对差值(百分点)+0.1 pp−1.1 pp–+1.2 pp25 人下降(共 51 人),其中 6 人下降 5 pp 及以上。区间包含零:这一提升不能认定。51
相对 PSD + 标准化岭回归20 个减 0 个第二次会话校准试次,相同被试与测试试次配对差值(百分点)+0.6 pp−0.9 pp–+2.0 pp19 人下降(共 51 人),其中 10 人下降 5 pp 及以上。区间包含零:这一提升不能认定。51
相对 PSD + 标准化岭回归40 个减 0 个第二次会话校准试次,相同被试与测试试次配对差值(百分点)+1.7 pp−0.1 pp–+3.5 pp16 人下降(共 51 人),其中 6 人下降 5 pp 及以上。区间包含零:这一提升不能认定。51

一个模型,多个问题 · 运动想象(第二条路线)

来源页面:一个模型,多个问题 · 随机水平 50.0% · shared-representation-update.json

EEGNet · 固定分类头(B-lin) · 想象还是静息(MI-A)· 从头训练,3 个随机种子
73.2% (70.2%–76.2%)
EEGNet · 共享隐藏层(B-sh) · 想象还是静息(MI-A)· 从头训练,3 个随机种子
74.3% (71.3%–77.3%)
EEGNet · 问题条件化分类头(C1) · 想象还是静息(MI-A)· 从头训练,3 个随机种子
74.6% (71.9%–77.5%)
EEGNet · 分开的模型(A) · 想象还是静息(MI-A)· 从头训练,3 个随机种子
74.2% (71.3%–76.9%)
CBraMod · 固定分类头(B-lin-fz-sgd) · 想象还是静息(MI-A)· 冻结特征上只训分类头,3 个随机种子
69.2% (67.0%–71.5%)
CBraMod · 共享隐藏层(B-sh-fz) · 想象还是静息(MI-A)· 冻结特征上只训分类头,3 个随机种子
70.9% (68.4%–73.4%)
CBraMod · 问题条件化分类头(C1-fz) · 想象还是静息(MI-A)· 冻结特征上只训分类头,3 个随机种子
70.8% (68.4%–73.2%)
EEGNet · 固定分类头(B-lin) · 哪只手(MI-B)· 从头训练,3 个随机种子
67.5% (64.6%–70.5%)
EEGNet · 共享隐藏层(B-sh) · 哪只手(MI-B)· 从头训练,3 个随机种子
67.0% (64.1%–69.9%)
EEGNet · 问题条件化分类头(C1) · 哪只手(MI-B)· 从头训练,3 个随机种子
67.4% (64.4%–70.5%)
EEGNet · 分开的模型(A) · 哪只手(MI-B)· 从头训练,3 个随机种子
69.0% (65.9%–72.0%)
CBraMod · 固定分类头(B-lin-fz-sgd) · 哪只手(MI-B)· 冻结特征上只训分类头,3 个随机种子
56.1% (54.8%–57.4%)
CBraMod · 共享隐藏层(B-sh-fz) · 哪只手(MI-B)· 冻结特征上只训分类头,3 个随机种子
56.7% (55.4%–58.2%)
CBraMod · 问题条件化分类头(C1-fz) · 哪只手(MI-B)· 冻结特征上只训分类头,3 个随机种子
57.2% (55.8%–58.6%)
平衡准确率,14 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
EEGNet固定分类头(B-lin) · 想象还是静息(MI-A)· 从头训练,3 个随机种子平衡准确率73.2%70.2%–76.2%51
EEGNet共享隐藏层(B-sh) · 想象还是静息(MI-A)· 从头训练,3 个随机种子平衡准确率74.3%71.3%–77.3%51
EEGNet问题条件化分类头(C1) · 想象还是静息(MI-A)· 从头训练,3 个随机种子平衡准确率74.6%71.9%–77.5%51
EEGNet分开的模型(A) · 想象还是静息(MI-A)· 从头训练,3 个随机种子平衡准确率74.2%71.3%–76.9%51
EEGNet想象还是静息(MI-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+1.48 pp+0.09–+2.89 ppC1 更高;未达到 2 pp 界值;通过门槛。51
EEGNet想象还是静息(MI-A)· 问题条件化分类头减不告知问题的同一隐藏层(C1 − B-sh)配对差值(百分点),平衡准确率+0.31 pp−0.91–+1.54 pp未显示差异;在 ±2 pp 内等效;通过门槛。51
EEGNet想象还是静息(MI-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(MI-A))配对差值(百分点),平衡准确率−1.00 pp−2.21–+0.19 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。51
CBraMod固定分类头(B-lin-fz-sgd) · 想象还是静息(MI-A)· 冻结特征上只训分类头,3 个随机种子平衡准确率69.2%67.0%–71.5%51
CBraMod共享隐藏层(B-sh-fz) · 想象还是静息(MI-A)· 冻结特征上只训分类头,3 个随机种子平衡准确率70.9%68.4%–73.4%51
CBraMod问题条件化分类头(C1-fz) · 想象还是静息(MI-A)· 冻结特征上只训分类头,3 个随机种子平衡准确率70.8%68.4%–73.2%51
CBraMod想象还是静息(MI-A)· 冻结 CBraMod 特征上,问题条件化分类头减固定分类头(C1-fz − B-lin-fz-sgd)配对差值(百分点),平衡准确率+1.54 pp+0.86–+2.30 ppC1-fz 更高;未达到 2 pp 界值;通过门槛。51
EEGNet固定分类头(B-lin) · 哪只手(MI-B)· 从头训练,3 个随机种子平衡准确率67.5%64.6%–70.5%51
EEGNet共享隐藏层(B-sh) · 哪只手(MI-B)· 从头训练,3 个随机种子平衡准确率67.0%64.1%–69.9%51
EEGNet问题条件化分类头(C1) · 哪只手(MI-B)· 从头训练,3 个随机种子平衡准确率67.4%64.4%–70.5%51
EEGNet分开的模型(A) · 哪只手(MI-B)· 从头训练,3 个随机种子平衡准确率69.0%65.9%–72.0%51
EEGNet哪只手(MI-B)· 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−0.09 pp−1.24–+1.04 pp未显示差异;在 ±2 pp 内等效;通过门槛。51
EEGNet哪只手(MI-B)· 问题条件化分类头减不告知问题的同一隐藏层(C1 − B-sh)配对差值(百分点),平衡准确率+0.45 pp−0.60–+1.34 pp未显示差异;在 ±2 pp 内等效;通过门槛。51
EEGNet哪只手(MI-B)· 一个共享小 CNN 主干上的固定分类头减分开的模型(B-lin − A(MI-B))配对差值(百分点),平衡准确率−1.43 pp−2.57–−0.39 ppA(MI-B) 更高;未达到 2 pp 界值;通过门槛。51
CBraMod固定分类头(B-lin-fz-sgd) · 哪只手(MI-B)· 冻结特征上只训分类头,3 个随机种子平衡准确率56.1%54.8%–57.4%51
CBraMod共享隐藏层(B-sh-fz) · 哪只手(MI-B)· 冻结特征上只训分类头,3 个随机种子平衡准确率56.7%55.4%–58.2%51
CBraMod问题条件化分类头(C1-fz) · 哪只手(MI-B)· 冻结特征上只训分类头,3 个随机种子平衡准确率57.2%55.8%–58.6%51
CBraMod哪只手(MI-B)· 冻结 CBraMod 特征上,问题条件化分类头减固定分类头(C1-fz − B-lin-fz-sgd)配对差值(百分点),平衡准确率+1.09 pp+0.08–+2.12 ppC1-fz 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。51

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)。逐人计算的平衡准确率对每名被试同等加权;它用来比较各设置,不是部署时的错误率。这里的 OpenBMI 数字用的是路线 2 自己的 2 秒窗口、不依赖标签的高通滤波和被试不重叠的交叉验证折;不能与本站 OpenBMI 跨会话校准的数字相比。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

OpenBMI motor imagery (Lee et al. 2019)

署名 Min-Ho Lee, O-Yeon Kwon, Yong-Jeong Kim, Hong-Kyung Kim, Young-Eun Lee, John Williamson, Siamac Fazli and Seong-Whan Lee · EEG dataset and OpenBMI toolbox for three BCI paradigms: an investigation into BCI illiteracy, GigaScience (2019), giz002, doi:10.1093/gigascience/giz002. Data: Supporting data, GigaScience Database, doi:10.5524/100542.

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. OpenBMI motor imagery (Lee et al. 2019):EEG 解码结果[EB/OL]. (2026-10-07). https://bci.report/zh/datasets/openbmi/

数字来自发布 shared-representation-update-20261007(2026-10-07)、large-source-update-20261003(2026-10-03)。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)