# 术语表

参考

用平实语言说明 BCI Report 全站使用的脑电信号、统计区间、解码方法与核验规则。

- 01信号与任务 (8)
- 02评测与统计 (10)
- 03方法与模型 (12)
- 04治理与数据 (6)

没有符合条件的术语。可以清空搜索框或切换分类。

## 信号与任务

头皮电极记录的信号类型，以及各评测协议所测量的心理或感觉范式。

- 脑机接口（BCI） BCI #: 将记录到的脑信号转化为离散选择、控制指令或状态估计的系统。 实验室记录上的离线解码准确率只是实用脑机接口的一部分；实际部署还要面对电极变化、运动伪迹、校准成本以及空闲期间的误触发问题。 相关页面： [问题总览](https://bci.report/zh/topics/) [何时不该执行](https://bci.report/zh/topics/when-not-to-act/)
- 电极布局与通道 #: 一个协议中所记录电极的数量、头皮位置以及参考方式。 单个传感器的记录称为通道；带参考的一对电极（如多导睡眠图中的 C3–M2）称为导联。将后部电极从 8 通道减至 4 通道，或电极帽整体偏移一个间距，都会直接影响解码表现。 相关页面： [更少的电极](https://bci.report/zh/topics/fewer-electrodes/) [SSVEP · 4 通道](https://bci.report/zh/protocols/beta-4ch/)
- 脑电图（EEG） EEG #: 通过头皮表面电极无创记录微伏级电势波动的脑电测量方法。 头皮 EEG 具备毫秒级时间分辨率，但信号同时混入眨眼、肌电和工频干扰。本站全部核心协议都评测头皮 EEG；fNIRS 与皮层内神经元放电等其他模态单独呈现在专门页面中。 相关页面： [新手导览](https://bci.report/zh/start/) [头皮 EEG 之外](https://bci.report/zh/topics/beyond-scalp-eeg/)
- 脑力负荷与心算 #: 将持续脑力任务（如连续心算）期间记录的 EEG 与静息基线进行区分。 在核心矩阵中，心算与静息协议在 EEGMAT 的 36 名被试、21 通道数据上进行评测，在同一划分下同时测量频谱特征、黎曼协方差方法、轻量网络与冻结编码器。 相关页面： [心算与静息](https://bci.report/zh/protocols/arithmetic-rest/) [模型适配](https://bci.report/zh/topics/model-adaptation/)
- 运动想象 MI #: 在没有实际肢体动作的情况下，在脑中想象手部或足部运动，从而在感觉运动节律中产生可测变化。 运动想象会改变运动皮层上方的 mu（8–12 Hz）与 beta（13–30 Hz）频带功率，但不同被试及不同记录会话之间的模式差异较大。 相关页面： [运动想象与静息](https://bci.report/zh/protocols/mi-rest/) [后续会话](https://bci.report/zh/topics/later-sessions/)
- P300 与事件相关电位（ERP） ERP #: 由特定刺激触发的锁时电压偏转；P300 是在罕见或受注意目标出现后约 300 毫秒出现的正相波峰。 与持续节律任务不同，ERP 解码依赖刺激出现后短时间窗内的精确波形时序，因此时域方法与 xDAWN 空间滤波的表现与纯频带功率特征差别很大。 相关页面： [P300 目标 ERP](https://bci.report/zh/protocols/p300-target/) [语义目标 ERP](https://bci.report/zh/protocols/semantic-target/)
- 睡眠分期 #: 将整夜记录中连续的 30 秒数据帧划分为五个标准睡眠阶段：清醒、N1、N2、N3 与 REM。 由于各阶段在整夜中所占比例悬殊（N2 常见而 N1 短暂），即使分类器漏掉整类阶段，普通准确率也可能显得不低。平衡准确率对五个阶段赋予同等权重。 相关页面： [睡眠分期协议](https://bci.report/zh/protocols/sleep-scalp/) [睡眠分期的失衡](https://bci.report/zh/topics/sleep-staging/)
- 稳态视觉诱发电位（SSVEP） SSVEP #: 注视周期闪烁视觉目标时，枕叶皮层产生的与刺激频率及其谐波锁相的周期性脑电响应。 由于刺激频率预先已知，CCA 和 FBCCA 等频率匹配方法无需训练数据即可解码 40 目标 SSVEP。在 BETA 协议上，40 类均匀猜测的随机水平为 2.5%。 相关页面： [SSVEP · 8 通道](https://bci.report/zh/protocols/beta-8ch/) [没见过的 SSVEP 频率](https://bci.report/zh/topics/new-ssvep-frequencies/)

## 评测与统计

协议如何划分被试、对照随机水平衡量指标，以及如何量化被试间的波动。

- 平衡准确率 #: 各类别召回率的等权平均，无论各类样本多少，每个类别所占权重相同。 在奇异刺激 P300 或五期睡眠分期等类别不平衡任务中，总是预测多数类的分类器可以获得较高的普通准确率，但平衡准确率只会停留在随机水平。 相关页面： [睡眠分期的失衡](https://bci.report/zh/topics/sleep-staging/) [读懂结果](https://bci.report/zh/start/#reading-a-result)
- 随机水平 #: 均匀随机猜测所能达到的期望平衡准确率：100% 除以类别总数。 二分类任务的随机水平为 50%，五期睡眠分期为 20%，40 类 SSVEP 为 2.5%。离开所在协议的随机水平，单个百分比数字本身无法解读。 相关页面： [读懂结果](https://bci.report/zh/start/#reading-a-result) [交互图谱](https://bci.report/zh/explore/)
- 描述性 95% 区间 #: 刻画留出被试之间波动范围的区间；当交叉验证训练集存在重叠时，明确标为描述性区间。 由于交叉验证折共享部分训练被试，严格独立性假设并不完全成立。将区间与点估计并列展示，有助于判断结果是否离开随机水平，或与另一配置区间重叠。 相关页面： [运动想象与静息](https://bci.report/zh/protocols/mi-rest/) [新手导览](https://bci.report/zh/start/#reading-a-result)
- 固定协议 #: 锁定数据集版本、被试队列、通道集合、时间窗、预处理、划分方式与指标的完整评测规格。 只有在同一个固定协议下得到的分数才可以直接比较。将不同队列、不同电极布局或不同划分规则下的分数拿来对比，会把方法差异与任务难度相互混杂。 相关页面： [全部 8 个核心协议](https://bci.report/zh/protocols/) [新手导览](https://bci.report/zh/start/#fixed-protocol)
- 空闲误触发与拒识 #: 用户处于空闲状态时系统错误发出指令（误触发），以及解码器主动拒绝输出判断（拒识）。 一个几乎始终拒识的解码器也能拿到 0% 误触发率。在空闲协议上，指令检出率与空闲误触发率必须放在一起作为二维权衡来读。 相关页面： [空闲与指令协议](https://bci.report/zh/protocols/idle/) [何时不该执行](https://bci.report/zh/topics/when-not-to-act/)
- 宏平均 F1 #: 对所有类别的 F1 分数（精确率与召回率的调和平均）取等权平均。 在每个准确率协议上与平衡准确率并列报告，用于呈现不同类别间精确率与召回率的不均衡情况。 相关页面： [核心基准矩阵](https://bci.report/zh/#overview)
- 配对差值比较 #: 两种方法在同一批被试和相同折上逐人相减得到的差值，并附该差值自身的区间。 由于被试个体基线差异在逐人配对相减时会抵消，两个边缘区间重叠时，配对差值区间仍可能完全离开零。同时检验多个计划内比较时，以经 Bonferroni 校正的区间为准。 相关页面： [SSVEP · 8 通道配对差值](https://bci.report/zh/protocols/beta-8ch/) [P300 目标配对差值](https://bci.report/zh/protocols/p300-target/)
- 被试自助重采样 #: 以被试为单位进行有放回重采样（通常 10,000 次），取等权被试均值的 2.5% 与 97.5% 分位数。 如果按试次而非按被试重采样，会把同一被试高度相关的时间窗当成独立样本，导致区间偏窄。按被试重采样能更真实地反映个体间差异。 相关页面： [核心协议](https://bci.report/zh/protocols/)
- 被试不重叠划分 #: 同一被试的全部记录严格只出现在训练折或测试折一侧的交叉验证划分方式。 保持被试不重叠可防止模型依靠识别个人基线或电极阻抗而非目标脑状态得分，从而直接衡量向新被试的迁移能力。 相关页面： [固定协议](https://bci.report/zh/start/#fixed-protocol) [后续会话（同一被试）](https://bci.report/zh/topics/later-sessions/)
- 百分点（pp） pp #: 两个百分数之间的算术差值（例如从 50% 变为 60%，变化量为 +10.0 pp）。 使用百分点（pp）可避免与相对变化百分比混淆。本站所有配对差值与区间宽度均以 pp 表示。 相关页面： [新手导览](https://bci.report/zh/start/)

## 方法与模型

经典信号处理流程、轻量神经网络，以及冻结或适配后的基础模型编码器。

- 典型相关分析与滤波器组 CCA（CCA 与 FBCCA） FBCCA #: 无需训练数据的频率匹配方法，将头皮 EEG 与人工正余弦参考模板做相关；滤波器组 CCA（FBCCA）进一步对多个谐波子带加权融合。 由于 CCA 与 FBCCA 依靠已知闪烁频率而非校准试次工作，它们在 BETA 的 8 通道与 4 通道 SSVEP 协议上都是重要的免训练参考方法。 相关页面： [FBCCA 方法页](https://bci.report/zh/methods/fbcca/) [Standard CCA 页面](https://bci.report/zh/methods/cca/)
- 轻量神经网络 #: 参数量通常在数千到数万之间、直接从头在单个协议训练折上训练的小型卷积神经网络。 核心矩阵中的轻量神经网络包括 EEGNet、ShallowFBCSPNet 与 Deep4Net，均包含针对多通道 EEG 设计的时间滤波与空间滤波层。 相关页面： [EEGNet 页面](https://bci.report/zh/methods/eegnet/) [ShallowFBCSPNet 页面](https://bci.report/zh/methods/shallowfbcspnet/)
- 共空间模式与线性判别分析（CSP + LDA） CSP+LDA #: 共空间模式（CSP）通过空间投影放大两类信号的方差对比，随后接线性判别分析（LDA）分类。 运动想象与节律功率任务中的经典流程；在多分类协议中以一对多方式扩展，不适用于 40 类 SSVEP。 相关页面： [CSP+LDA 方法页](https://bci.report/zh/methods/csp-lda/)
- 集成任务相关成分分析（eTRCA） eTRCA #: 利用带标签的 SSVEP 校准试次学习空间滤波器，使同一目标在重复试次间具有高一致性。 与免训练的 CCA 不同，eTRCA 需要每个目标频率的校准试次，因此常用于校准预算与干湿电极迁移专题评测。 相关页面： [需要多少校准？](https://bci.report/zh/topics/calibration-budget/) [干电极与湿电极](https://bci.report/zh/topics/dry-vs-wet/)
- 基础模型编码器 #: 先在大量公开 EEG 语料上经自监督预训练，再迁移到下游任务评测的大型神经网络编码器。 本站评测的代表模型包括 LaBraM、CBraMod、EEGPT、REVE、LUNA、ST-EEGFormer、BrainOmni、CodeBrain、EEGMamba、ERP-FM、SingLEM 与 ZUNA。每个检查点均记录参数量、权重许可及预训练数据清单核查结果。 相关页面： [基础模型编码器总览](https://bci.report/zh/methods/#foundation) [方法索引](https://bci.report/zh/methods/)
- 冻结探针 #: 锁定预训练编码器的全部权重不更新，仅在其提取的特征上拟合一个轻量线性分类器的评测方式。 冻结探针在同一可复现配方下检验预训练表征在线性可分层面提供了什么信息，不代表针对任务微调后可能达到的水平。 相关页面： [基础模型编码器总览](https://bci.report/zh/methods/#foundation) [预训练有用吗？](https://bci.report/zh/topics/does-pretraining-help/)
- LoRA 与模型适配 LoRA #: 低秩适配（LoRA）在预训练编码器中插入少量可训练分解适配矩阵，而不必更新全部参数。 模型适配实验在 EEGMAT 上按固定配方对比只训分类头、更新最后一个 Transformer 块与 LoRA（r = 4），并报告配对变化及上升与下降的被试人数。 相关页面： [该更新哪一部分？](https://bci.report/zh/topics/model-adaptation/)
- 随机初始化对照 #: 保持神经网络编码器架构完全不变，将预训练权重替换为重新随机初始化的权重，以检验预训练本身带来的实际作用。 即使是随机初始化的冻结卷积或 Transformer 主干，也能起到非线性特征投影的作用。与三次随机初始化对照比较，可以将架构偏置与预训练收益区分开来。 相关页面： [预训练有用吗？](https://bci.report/zh/topics/does-pretraining-help/)
- 分类头与岭回归分类头 #: 接在特征提取之后的轻量末层分类器；岭回归分类头是在标准化训练特征上拟合的 L2 正则线性分类器。 仅在训练折上拟合标准化参数可避免测试折统计量泄露。固定岭回归正则系数让所有冻结编码器处于一致的分类头预算下。 相关页面： [模型适配](https://bci.report/zh/topics/model-adaptation/) [预训练有用吗？](https://bci.report/zh/topics/does-pretraining-help/)
- 黎曼几何 TS+LR 与 MDM TS+LR #: 直接在对称正定通道协方差矩阵流形上工作的几何分类方法：切空间加逻辑回归（TS+LR）与最小均值距离（MDM）。 EEG 通道协方差矩阵位于弯曲的黎曼流形而非平坦欧氏空间中，黎曼度量尊重矩阵几何结构，且无需复杂的神经网络超参数搜索。 相关页面： [黎曼方法页](https://bci.report/zh/methods/riemannian/)
- Spectral ridge（频带特征岭回归） #: 提取 EEG 时间窗的频带功率特征，并用 L2 正则线性分类器拟合的快速经典基线方法。 Spectral ridge 能有效刻画睡眠节律及 alpha/beta 频带变化等稳态频谱模式，但会忽略 P300 等精确锁时的时域相位波形。 相关页面： [其他已评测基线（方法页）](https://bci.report/zh/methods/#other-evaluated) [睡眠分期](https://bci.report/zh/protocols/sleep-scalp/)
- xDAWN 空间滤波 xDAWN #: 专门用于提升 P300 等锁时诱发电位信噪比的有监督空间滤波方法。 在核心矩阵中，xDAWN 以两种经典 ERP 流程出现：xDAWN+LDA，以及将 xDAWN 模板协方差与黎曼切空间逻辑回归结合的 XDAWNCov+TS+LR。 相关页面： [xDAWN 方法页](https://bci.report/zh/methods/xdawn/) [P300 目标 ERP](https://bci.report/zh/protocols/p300-target/)

## 治理与数据

数据集与模型如何审计、在开放登记册上追踪、暂缓发布以及溯源引用。

- 仅发布聚合结果 #: 只发布队列层面的汇总统计量，绝不发布原始 EEG 记录、单个被试分数或再分发模型权重。 这一边界既保护被试隐私、尊重上游数据集与模型的许可条款，也使每个可下载的 JSON/CSV 文件保持轻量且可审计。 相关页面： [数据使用与隐私（英文）](https://bci.report/data-use/) [数据与 API](https://bci.report/zh/api/)
- 开放登记册 #: 面向数据集与模型的两份公开目录，列出本站追踪的所有 EEG 资源及其核验进度。 无论访问是否受限或条款状态如何，任何资源都可列入开放登记册；而分数表只发布通过权利审查并完成端到端文件核验的结果。 相关页面： [数据集登记册](https://bci.report/zh/datasets/register/) [模型登记册](https://bci.report/zh/methods/register/)
- 是否出现在预训练数据中 #: 基于来源记录的说明：标明某一评测数据集是否出现在基础模型作者公开的预训练数据清单中，或作者未公开清单。 该信息按模型与数据集单元格逐一注明，既不隐瞒也不做机械剔除，让读者在看到“在作者的预训练清单中”或“未知”标注时有完整背景可依。 相关页面： [基础模型编码器总览](https://bci.report/zh/methods/#foundation)
- 溯源与审计哈希 #: 使用 SHA-256 加密摘要锁定每次发布的 JSON/CSV 文件、协议定义以及 Zenodo 归档记录。 本站展示的每个已发布数字都可追溯到站内数据文件中的具体叶节点，其 SHA-256 摘要记录在发布归档中，任何人都可独立核对。 相关页面： [发布归档](https://bci.report/zh/releases/archive/) [数据与 API](https://bci.report/zh/api/)
- 暂缓发布 #: 当数据集的权利条款、时间对齐完整性、知情同意记录或实验核查存在未解问题时，暂缓发布分数。 暂缓发布的来源都会公开列出并写明具体原因，而不会悄然删除，从而避免基准记录出现幸存者偏差。 相关页面： [发布记录与暂缓登记册](https://bci.report/zh/releases/) [从头核到尾](https://bci.report/zh/topics/data-quality/)
- 五步核验阶梯（第 1–5 步） #: 用五个步骤记录数据集或模型的核验深度：从第 1 步记录官方来源，到第 5 步进入核心协议矩阵。 数据集依次经过已列出、已读取、已追溯、已运行、已进入核心矩阵；模型依次经过已识别、已记录条款、已检查文件、已在本站评分、已进入核心矩阵。需授权数据与疑似转传均停留在第 1 步。 相关页面： [数据集核验步骤](https://bci.report/zh/datasets/register/#levels) [模型核验步骤](https://bci.report/zh/methods/register/#levels)

[初次接触 EEG 解码？阅读五分钟新手导览 →](https://bci.report/zh/start/)

---
本文是 https://bci.report/zh/glossary/ 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）。
