基础模型

BrainOmni:在公开 EEG 数据集上的结果

BrainOmni 是面向 EEG 与 MEG 的预训练基础模型,发布了 tiny 与 base 两种规模,前端是 BrainTokenizer;论文附录列出了它预训练所用的 EEG 与 MEG 记录。本站把 Base 冻结,在 8 个核心协议中的 6 个上运行:它的分词器需要 2 秒的时间窗,所以两个 1 秒时间窗的 ERP 协议没有运行,而不是用凭空造出的采样点补齐。在这里的小电极布局上,它保留了上游的共同平均参考。

测量所用数据集:ds003810、EEGMAT、BETA、EESM19 scalp subset、ds005342 · 协议:运动想象与静息、心算与静息、SSVEP · 8 通道、SSVEP · 4 通道、睡眠分期、空闲与指令

又称 BrainOmni Base · BrainTokenizer · OpenTSLab/BrainOmni

参考文献 BrainOmni, arXiv:2505.18185 ↗

目录状态:已评测(8 个协议中的 6 个) · 简介来源 arxiv.org

已发布的结果

按数据集分组。只在组内比较:跨组时任务、队列、随机水平与电极布局都会变。

ds003810 · 第九轮基础模型(编码器冻结)· 运动想象与静息

连同协议阅读: 核心矩阵协议:运动想象与静息 · 随机水平 50.0% · foundation-models-mi-rest.csv

方法条件指标数值被试
BrainOmni Base冻结编码器 + 岭回归分类头平衡准确率58.8%57.0%–60.8%10

权重条款:BrainOmni 采用 MIT。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 →

EEGMAT · 第九轮基础模型(编码器冻结)· 心算与静息

连同协议阅读: 核心矩阵协议:心算与静息 · 随机水平 50.0% · foundation-models-arithmetic-rest.csv

方法条件指标数值被试
BrainOmni Base冻结编码器 + 岭回归分类头平衡准确率61.6%58.4%–64.9%36

权重条款:BrainOmni 采用 MIT。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 →

EEGMAT · 模型适配(第九轮)· 新被试、同一任务、一个固定方案(不是排名)

连同协议阅读: 核心矩阵协议:心算与静息 · 随机水平 50.0% · foundation-models-update.json

BrainOmni Base · 冻结编码器 + 训练的分类头
64.5% (59.6%–69.2%)
BrainOmni Base · 秩为 4 的 LoRA + 分类头
64.8% (59.6%–69.7%)
平衡准确率,2 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)。
方法条件指标数值被试
BrainOmni Base冻结编码器 + 训练的分类头平衡准确率64.5%59.6%–69.2%16,386 个可训练参数。36
BrainOmni Base秩为 4 的 LoRA + 分类头平衡准确率64.8%59.6%–69.7%106,498 个可训练参数。36
BrainOmni BaseLoRA 减冻结 + 分类头,相同被试与折配对差值(百分点)+0.3 pp−1.4 pp–+1.8 pp18 人提升、14 人变差、4 人不变。区间包含零:不能认定有变化。36

权重条款:BrainOmni 采用 MIT。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 →

BETA · 第九轮基础模型(编码器冻结)· SSVEP,8 通道

连同协议阅读: 核心矩阵协议:SSVEP · 8 通道 · 随机水平 2.5% · foundation-models-beta-8ch.csv

方法条件指标数值被试
BrainOmni Base冻结编码器 + 岭回归分类头平衡准确率21.7%18.6%–25.0%70

权重条款:BrainOmni 采用 MIT。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 →

BETA · 第九轮基础模型(编码器冻结)· SSVEP,4 通道

连同协议阅读: 核心矩阵协议:SSVEP · 4 通道 · 随机水平 2.5% · foundation-models-beta-4ch.csv

方法条件指标数值被试
BrainOmni Base冻结编码器 + 岭回归分类头平衡准确率13.0%10.6%–15.6%70

权重条款:BrainOmni 采用 MIT。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 →

ds006593 · 第九轮基础模型(编码器冻结)· P300 目标 ERP

连同协议阅读: 核心矩阵协议:P300 目标 ERP · 随机水平 50.0% ·

BrainOmni Base:未运行,不是零。 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.

TMNRED / ds005383 · 第九轮基础模型(编码器冻结)· 语义目标 ERP

连同协议阅读: 核心矩阵协议:语义目标 ERP · 随机水平 50.0% ·

BrainOmni Base:未运行,不是零。 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.

EESM19 scalp subset · 第九轮基础模型(编码器冻结)· 睡眠分期

连同协议阅读: 核心矩阵协议:睡眠分期 · 随机水平 20.0% · foundation-models-sleep-scalp.csv

方法条件指标数值被试
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

权重条款:BrainOmni 采用 MIT。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 →

ds005342 · 第九轮基础模型(编码器冻结)· 空闲与指令

连同协议阅读: 核心矩阵协议:空闲与指令 · foundation-models-idle.csv

方法条件指标数值被试
BrainOmni Base冻结编码器 + 线性分类头检出的指令 ≤3 秒13 / 601 名始终拒识(共 4 名被试)。4
BrainOmni Base冻结编码器 + 线性分类头空闲误触发3 / 604

权重条款:BrainOmni 采用 MIT。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 →

全部方法 → · 全部数据集 →

检查点、输入与条款

按第九轮发布的记录列出运行了什么:每个检查点的版本与 SHA-256、编码器参数量、它的各行附带的脚注,以及权重许可。没有保留或分享任何权重、适配后的权重或 LoRA 增量,也不代表模型作者的认可。

BrainOmni Base

所在面板
在每个协议页面上,列在核心矩阵旁边的一行
编码器参数量
31.84M
版本
OpenTSLab/BrainOmni @ 9a4d3c70
检查点 SHA-256
435db24e57a55df05aa7e16355def7b7ecbedb22aa1ec16063e7d14efd2386d0
论文
论文 ↗
权重许可
MIT
权利审查
宽松的权重许可;只发布聚合分数,不转发权重。Permissive weights licence; aggregate scores only, no weights redistributed.
各行脚注
p300-target 与 semantic-target 未运行:分词器需要 2 秒的时间窗,1 秒的片段不补零就无法满足。在 4–8 通道的电极布局上保留了上游的共同平均参考。p300-target and semantic-target not run: the 2 s tokenizer window cannot be met by 1 s segments without zero padding. Upstream common average reference kept on 4-8 channel montages.
EEGMAT 适配
已运行:在冻结编码器上训练分类头,对比秩为 4 的 LoRA,3 个随机种子。

是否出现在预训练数据中(按数据集)

每个核心数据集是否在模型作者公开的预训练数据清单中,于 2026-10-04 核查并附来源。不在清单中并不证明它的记录从未被模型见过;核查只到数据集一级,没有核对到具体记录。

数据集协议情况来源
ds003810 Motor Imagery vs Rest (low-cost EEG; Peterson et al.)运动想象与静息不在作者公开的预训练数据清单中(2026-10-04 核查)来源 ↗
EEGMAT (PhysioNet EEG During Mental Arithmetic Tasks; Zyma et al. 2019)心算与静息不在作者公开的预训练数据清单中(2026-10-04 核查)来源 ↗
ds006593 cBCI Matrix Multimodal Dataset (Celik et al.)P300 目标 ERP不在作者公开的预训练数据清单中(2026-10-04 核查)来源 ↗
ds005383 TMNRED (Bai et al. 2025, Sci. Data 12:701)语义目标 ERP不在作者公开的预训练数据清单中(2026-10-04 核查)来源 ↗
EESM19 Ear-EEG Sleep Monitoring 2019 (OpenNeuro ds005185; Mikkelsen et al.)睡眠分期不在作者公开的预训练数据清单中(2026-10-04 核查)来源 ↗
BETA 40-target SSVEP (Liu et al. 2020, Front. Neurosci. 14:627)SSVEP · 8 通道 · SSVEP · 4 通道不在作者公开的预训练数据清单中(2026-10-04 核查)来源 ↗
ds005342 EEG offline/online MI for standing and sitting (Triana-Guzman et al.)空闲与指令不在作者公开的预训练数据清单中(2026-10-04 核查)来源 ↗

引用本页

BCI Report. BrainOmni:在公开 EEG 数据集上的结果[EB/OL]. (2026-10-04). https://bci.report/zh/methods/brainomni/

数字来自发布 foundation-models-update-20261004(2026-10-04)。也请同时引用上游数据集:每个数据集页面都写明了署名。

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)