BCI Report基础模型
EEGMamba 是 CBraMod 团队基于 Mamba 的 EEG 编码器（Wang 等，Neural Networks，2025），与 arXiv 上同名但无关的模型（2407.20254）不是同一个。它的官方代码列出了 5 个预训练来源，包括 TUEG 和 Siena 头皮 EEG 数据库；需付费阅读的论文全文没有读过。本站把发布的检查点冻结运行，池化方式与已发布的 CBraMod 行相同，并在 EEGMAT 上做了适配。
测量所用数据集：ds003810、EEGMAT、BETA、ds006593、TMNRED / ds005383、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、P300 目标 ERP、语义目标 ERP、睡眠分期、空闲与指令
又称 weighting666/EEGMamba · Wang et al. 2025 (Neural Networks)
参考文献 Wang et al., EEGMamba, Neural Networks (2025). doi:10.1016/j.neunet.2025.107816 ↗
目录状态：已评测 · 官方代码 ↗ · 简介来源 doi.org · github.com
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。
| 方法 | 条件 | 指标 | 数值 | 被试 |
|---|---|---|---|---|
| EEGMamba | 冻结编码器 + 岭回归分类头 | 平衡准确率 | 67.3%63.6%–70.6% | 10 |
权重条款：EEGMamba 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 →
| 方法 | 条件 | 指标 | 数值 | 被试 |
|---|---|---|---|---|
| EEGMamba | 冻结编码器 + 岭回归分类头 | 平衡准确率 | 60.3%57.0%–63.4% | 36 |
权重条款：EEGMamba 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 →
| 方法 | 条件 | 指标 | 数值 | 被试 |
|---|---|---|---|---|
| EEGMamba | 冻结编码器 + 训练的分类头 | 平衡准确率 | 60.4%55.7%–65.2%7,602 个可训练参数。 | 36 |
| EEGMamba | 秩为 4 的 LoRA + 分类头 | 平衡准确率 | 60.8%56.3%–65.3%90,930 个可训练参数。 | 36 |
| EEGMamba | LoRA 减冻结 + 分类头，相同被试与折 | 配对差值（百分点） | +0.4 pp−0.7 pp–+1.5 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：EEGMamba 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 →
| 方法 | 条件 | 指标 | 数值 | 被试 |
|---|---|---|---|---|
| EEGMamba | 冻结编码器 + 岭回归分类头 | 平衡准确率 | 40.2%35.7%–44.7% | 70 |
权重条款：EEGMamba 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 →
| 方法 | 条件 | 指标 | 数值 | 被试 |
|---|---|---|---|---|
| EEGMamba | 冻结编码器 + 岭回归分类头 | 平衡准确率 | 32.7%28.9%–36.7% | 70 |
权重条款：EEGMamba 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 →
| 方法 | 条件 | 指标 | 数值 | 被试 |
|---|---|---|---|---|
| EEGMamba | 冻结编码器 + 岭回归分类头 | 平衡准确率 | 52.5%51.4%–53.5% | 21 |
权重条款：EEGMamba 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 →
| 方法 | 条件 | 指标 | 数值 | 被试 |
|---|---|---|---|---|
| EEGMamba | 冻结编码器 + 岭回归分类头 | 平衡准确率 | 54.4%52.5%–56.3% | 30 |
权重条款：EEGMamba 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 →
| 方法 | 条件 | 指标 | 数值 | 被试 |
|---|---|---|---|---|
| EEGMamba | 冻结编码器 + 岭回归分类头 | 平衡准确率 | 64.1%61.6%–66.4% | 20 |
权重条款：EEGMamba 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 →
权重条款：EEGMamba 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 →
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。
weighting666/EEGMamba @ 0b060d87b452bb29ecf1d6131ba82a50c6e13823ec1d660d9009d013e691d19b2916f4fe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 ↗ · 来源 ↗ · 来源 ↗ · 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 ↗ · 来源 ↗ · 来源 ↗ · 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 ↗ · 来源 ↗ · 来源 ↗ · 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 ↗ · 来源 ↗ · 来源 ↗ · 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 ↗ · 来源 ↗ · 来源 ↗ · 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 ↗ · 来源 ↗ · 来源 ↗ · 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 ↗ · 来源 ↗ · 来源 ↗ · 来源 ↗ |
核查说明： EEGMamba 的清单来自官方代码（五项，与摘要一致）；需付费阅读的论文全文没有读过，所以把握程度为中等。EEGMamba's list comes from the official code (five entries, matching the abstract); the paywalled paper was not read, so confidence is medium.
BCI Report. EEGMamba：在公开 EEG 数据集上的结果[EB/OL]. (2026-10-04). https://bci.report/zh/methods/eegmamba/
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）