BCI Report语义目标 ERP
TMNRED 是天津大学发布的中文自然阅读 EEG 数据集：30 名以中文为母语的被试在 8 个组块中阅读含目标或非目标语义项的新闻标题或短句，使用便携式 32 通道系统（30 个有效通道）记录。数据发布于 OpenNeuro（ds005383），并由 Bai 等人在 Scientific Data（2025）中描述。
又称 TMNRED · ds005383 · TMNRED, A Chinese Language EEG Dataset for Fuzzy Semantic Target Identification in Natural Reading Environments · Bai et al. (2025)
简介来源 openneuro.org · pmc.ncbi.nlm.nih.gov · doi.org
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。
| 方法 | 条件 | 指标 | 数值 | 被试 |
|---|---|---|---|---|
| Spectral ridge | Reading · target versus nontarget events | 平衡准确率 | 51.0%49.6%–52.5% | 30 |
| Temporal ridge | Reading · target versus nontarget events | 平衡准确率 | 56.3%54.4%–58.4% | 30 |
| LaBraM | Reading · target versus nontarget events | 平衡准确率 | 53.2%51.3%–54.9% | 30 |
| CBraMod | Reading · target versus nontarget events | 平衡准确率 | 55.8%54.2%–57.4% | 30 |
| EEGNet | Reading · target versus nontarget events | 平衡准确率 | 61.4%58.9%–64.0% | 30 |
| XDAWNCov+TS+LR · 4 个滤波器 · 50 Hz | Reading · target versus nontarget events | 平衡准确率 | 60.3%58.2%–62.6%主要行 · 一种固定配置（MOABB 参考设置） | 30 |
| xDAWN+LDA · 4 个滤波器 · 50 Hz | Reading · target versus nontarget events | 平衡准确率 | 56.8%55.1%–58.6%次要行 · 一种固定配置（MOABB 参考设置） | 30 |
| ShallowFBCSPNet | Reading · target versus nontarget events | 平衡准确率 | 56.7%54.7%–58.8%一个固定的随机种子和训练预算，与 EEGNet 单元格相同 | 30 |
| Deep4Net | Reading · target versus nontarget events | 平衡准确率 | 57.4%55.4%–59.5%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，242,627 个参数），不是原始的 Deep4Net 配置。 | 30 |
| CSP+LDA | Reading · target versus nontarget events | 平衡准确率 | 52.7%51.4%–54.0%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。 | 30 |
| 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 | 53.7%51.8%–55.4% | 30 |
| REVE Large | 冻结编码器 + 岭回归分类头 | 平衡准确率 | 59.7%57.5%–61.8% | 30 |
| LUNA Base | 冻结编码器 + 岭回归分类头 | 平衡准确率 | 56.2%54.2%–58.2% | 30 |
| LUNA Large | 冻结编码器 + 岭回归分类头 | 平衡准确率 | 57.1%55.3%–58.9% | 30 |
| CodeBrain | 冻结编码器 + 岭回归分类头 | 平衡准确率 | 54.7%53.0%–56.6% | 30 |
| EEGMamba | 冻结编码器 + 岭回归分类头 | 平衡准确率 | 54.4%52.5%–56.3% | 30 |
| ST-EEGFormer Base | 冻结编码器 + 岭回归分类头 | 平衡准确率 | 54.6%52.9%–56.4% | 30 |
| ST-EEGFormer Large | 冻结编码器 + 岭回归分类头 | 平衡准确率 | 57.8%56.0%–59.6% | 30 |
| 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 | 54.8%52.7%–56.9% | 30 |
| ERP-FM Base | 冻结编码器 + 岭回归分类头 | 平衡准确率 | 53.3%51.7%–54.8% | 30 |
| SingLEM | 冻结编码器 + 岭回归分类头 | 平衡准确率 | 58.5%56.1%–61.1%是否出现在预训练数据中：在作者公开的预训练数据清单中。 | 30 |
| ZUNA 1.1 | 冻结编码器 + 岭回归分类头 | 平衡准确率 | 53.9%52.2%–55.6%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。 | 30 |
| 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 | 55.8%53.9%–57.6% | 30 |
| 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 | 54.9%53.4%–56.4% | 30 |
| 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 | 55.0%53.4%–56.6% | 30 |
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.
| 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 | 54.6%53.3%–55.9% | 30 |
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 →
署名 Yanru Bai, Qi Tang et al. · TMNRED, A Chinese Language EEG Dataset for Fuzzy Semantic Target Identification in Natural Reading Environments (2025), doi:10.1038/s41597-025-05036-2. OpenNeuro ds005383 v1.0.0.
OpenNeuro 元数据为 CC0；配套论文与 GitHub 为 CC BY 4.0 ↗ (OpenNeuro metadata says CC0; accompanying publication/GitHub says CC BY 4.0) · 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。
BCI Report. TMNRED / ds005383：EEG 解码结果[EB/OL]. (2026-11-06). https://bci.report/zh/datasets/tmnred/
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）