# BrainOmni：在公开 EEG 数据集上的结果 基础模型 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](https://bci.report/zh/datasets/ds003810/)、[EEGMAT](https://bci.report/zh/datasets/eegmat/)、[BETA](https://bci.report/zh/datasets/beta/)、[EESM19 scalp subset](https://bci.report/zh/datasets/eesm19/)、[ds005342](https://bci.report/zh/datasets/ds005342/) · 协议： [运动想象与静息](https://bci.report/zh/protocols/mi-rest/)、[心算与静息](https://bci.report/zh/protocols/arithmetic-rest/)、[SSVEP · 8 通道](https://bci.report/zh/protocols/beta-8ch/)、[SSVEP · 4 通道](https://bci.report/zh/protocols/beta-4ch/)、[睡眠分期](https://bci.report/zh/protocols/sleep-scalp/)、[空闲与指令](https://bci.report/zh/protocols/idle/) **又称** BrainOmni Base · BrainTokenizer · OpenTSLab/BrainOmni **参考文献** [BrainOmni, arXiv:2505.18185 ↗](https://arxiv.org/abs/2505.18185) 目录状态：已评测（8 个协议中的 6 个） · 简介来源 [arxiv.org](https://arxiv.org/abs/2505.18185v3) ## 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](https://bci.report/zh/datasets/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](https://bci.report/zh/protocols/mi-rest/#foundation-v9) · 随机水平 50.0% · [foundation-models-mi-rest.csv](https://bci.report/data/foundation-models-mi-rest.csv) | 方法 | 条件 | 指标 | 数值 | 被试 | | --- | --- | --- | --- | --- | | [BrainOmni Base](https://bci.report/zh/methods/brainomni/) | 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 →](https://bci.report/zh/protocols/mi-rest/#v9-licences) ### [EEGMAT](https://bci.report/zh/datasets/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](https://bci.report/zh/protocols/arithmetic-rest/#foundation-v9) · 随机水平 50.0% · [foundation-models-arithmetic-rest.csv](https://bci.report/data/foundation-models-arithmetic-rest.csv) | 方法 | 条件 | 指标 | 数值 | 被试 | | --- | --- | --- | --- | --- | | [BrainOmni Base](https://bci.report/zh/methods/brainomni/) | 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 →](https://bci.report/zh/protocols/arithmetic-rest/#v9-licences) ### [EEGMAT](https://bci.report/zh/datasets/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](https://bci.report/zh/protocols/arithmetic-rest/#v9-adaptation) · 随机水平 50.0% · [foundation-models-update.json](https://bci.report/data/foundation-models-update.json) **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）。 - 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%) | 方法 | 条件 | 指标 | 数值 | 被试 | | --- | --- | --- | --- | --- | | [BrainOmni Base](https://bci.report/zh/methods/brainomni/) | 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](https://bci.report/zh/methods/brainomni/) | 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 Base](https://bci.report/zh/methods/brainomni/) | LoRA 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 pp) — 18 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 →](https://bci.report/zh/protocols/arithmetic-rest/#v9-licences) ### [BETA](https://bci.report/zh/datasets/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](https://bci.report/zh/protocols/beta-8ch/#foundation-v9) · 随机水平 2.5% · [foundation-models-beta-8ch.csv](https://bci.report/data/foundation-models-beta-8ch.csv) | 方法 | 条件 | 指标 | 数值 | 被试 | | --- | --- | --- | --- | --- | | [BrainOmni Base](https://bci.report/zh/methods/brainomni/) | 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 →](https://bci.report/zh/protocols/beta-8ch/#v9-licences) ### [BETA](https://bci.report/zh/datasets/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](https://bci.report/zh/protocols/beta-4ch/#foundation-v9) · 随机水平 2.5% · [foundation-models-beta-4ch.csv](https://bci.report/data/foundation-models-beta-4ch.csv) | 方法 | 条件 | 指标 | 数值 | 被试 | | --- | --- | --- | --- | --- | | [BrainOmni Base](https://bci.report/zh/methods/brainomni/) | 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 →](https://bci.report/zh/protocols/beta-4ch/#v9-licences) ### [ds006593](https://bci.report/zh/datasets/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](https://bci.report/zh/protocols/p300-target/#foundation-v9) · 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](https://bci.report/zh/datasets/tmnred/) · 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](https://bci.report/zh/protocols/semantic-target/#foundation-v9) · 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](https://bci.report/zh/datasets/eesm19/) · 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](https://bci.report/zh/protocols/sleep-scalp/#foundation-v9) · 随机水平 20.0% · [foundation-models-sleep-scalp.csv](https://bci.report/data/foundation-models-sleep-scalp.csv) | 方法 | 条件 | 指标 | 数值 | 被试 | | --- | --- | --- | --- | --- | | [BrainOmni Base](https://bci.report/zh/methods/brainomni/) | 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 →](https://bci.report/zh/protocols/sleep-scalp/#v9-licences) ### [ds005342](https://bci.report/zh/datasets/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](https://bci.report/zh/protocols/idle/#foundation-v9) · [foundation-models-idle.csv](https://bci.report/data/foundation-models-idle.csv) | 方法 | 条件 | 指标 | 数值 | 被试 | | --- | --- | --- | --- | --- | | [BrainOmni Base](https://bci.report/zh/methods/brainomni/) | 冻结编码器 + 线性分类头 | 检出的指令 ≤3 秒 | 13 / 60 — 1 名始终拒识（共 4 名被试）。 | 4 | | [BrainOmni Base](https://bci.report/zh/methods/brainomni/) | 冻结编码器 + 线性分类头 | 空闲误触发 | 3 / 60 | 4 | 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 →](https://bci.report/zh/protocols/idle/#v9-licences) [全部方法 →](https://bci.report/zh/methods/) · [全部数据集 →](https://bci.report/zh/datasets/) ## 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 ↗](https://arxiv.org/abs/2505.18185) - 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.)](https://doi.org/10.18112/openneuro.ds003810.v2.0.2) | [运动想象与静息](https://bci.report/zh/protocols/mi-rest/) | 不在作者公开的预训练数据清单中（2026-10-04 核查） | [来源 ↗](https://arxiv.org/abs/2505.18185v3) | | [EEGMAT (PhysioNet EEG During Mental Arithmetic Tasks; Zyma et al. 2019)](https://physionet.org/content/eegmat/1.0.0/) | [心算与静息](https://bci.report/zh/protocols/arithmetic-rest/) | 不在作者公开的预训练数据清单中（2026-10-04 核查） | [来源 ↗](https://arxiv.org/abs/2505.18185v3) | | [ds006593 cBCI Matrix Multimodal Dataset (Celik et al.)](https://doi.org/10.18112/openneuro.ds006593.v1.0.0) | [P300 目标 ERP](https://bci.report/zh/protocols/p300-target/) | 不在作者公开的预训练数据清单中（2026-10-04 核查） | [来源 ↗](https://arxiv.org/abs/2505.18185v3) | | [ds005383 TMNRED (Bai et al. 2025, Sci. Data 12:701)](https://doi.org/10.18112/openneuro.ds005383.v1.0.0) | [语义目标 ERP](https://bci.report/zh/protocols/semantic-target/) | 不在作者公开的预训练数据清单中（2026-10-04 核查） | [来源 ↗](https://arxiv.org/abs/2505.18185v3) | | [EESM19 Ear-EEG Sleep Monitoring 2019 (OpenNeuro ds005185; Mikkelsen et al.)](https://doi.org/10.18112/openneuro.ds005185.v1.0.2) | [睡眠分期](https://bci.report/zh/protocols/sleep-scalp/) | 不在作者公开的预训练数据清单中（2026-10-04 核查） | [来源 ↗](https://arxiv.org/abs/2505.18185v3) | | [BETA 40-target SSVEP (Liu et al. 2020, Front. Neurosci. 14:627)](https://figshare.com/articles/dataset/The_BETA_database/12264401) | [SSVEP · 8 通道](https://bci.report/zh/protocols/beta-8ch/) · [SSVEP · 4 通道](https://bci.report/zh/protocols/beta-4ch/) | 不在作者公开的预训练数据清单中（2026-10-04 核查） | [来源 ↗](https://arxiv.org/abs/2505.18185v3) | | [ds005342 EEG offline/online MI for standing and sitting (Triana-Guzman et al.)](https://doi.org/10.18112/openneuro.ds005342.v1.0.3) | [空闲与指令](https://bci.report/zh/protocols/idle/) | 不在作者公开的预训练数据清单中（2026-10-04 核查） | [来源 ↗](https://arxiv.org/abs/2505.18185v3) | ## 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`](https://bci.report/zh/releases/#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](https://doi.org/10.5281/zenodo.23123296)。 [本站及各次发布的 BibTeX →](https://bci.report/zh/api/#cite-heading) · [CITATION.cff ↗](https://raw.githubusercontent.com/twu3202/bci-report/main/CITATION.cff)（英文） --- 本文是 https://bci.report/zh/methods/brainomni/ 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）。