EEGNet：在公开 EEG 数据集上的结果

轻量模型

EEGNet：在公开 EEG 数据集上的结果

EEGNet 是面向基于 EEG 的脑机接口的紧凑型卷积神经网络，由 Lawhern 等人（美国陆军研究实验室）提出，发表于 Journal of Neural Engineering（2018），原文在 P300、ERN、MRCP 和 SMR 数据上做了测试。网络依次使用时间卷积、深度（depthwise）空间卷积和可分离（separable）卷积，最后接 softmax 分类器。

测量所用数据集：ds003810、EEGMAT、BETA、ds006593、TMNRED / ds005383、EESM19 scalp subset、ds005342、Wearable SSVEP BCI dataset (dry and wet electrodes)、OpenBMI motor imagery (Lee et al. 2019)、BOAS · Bitbrain Open Access Sleep dataset · 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 EEGNet · EEGNet-8,2 · EEGNet-4,2 · EEGNetv4 · Lawhern et al. 2018

参考文献 Lawhern VJ, Solon AJ, Waytowich NR, Gordon SM, Hung CP, Lance BJ. EEGNet: a compact convolutional neural network for EEG-based brain–computer interfaces. Journal of Neural Engineering 15(5):056013, 2018. ↗

目录状态：已评测 · 官方代码 ↗ · 本站使用的实现 ↗ · 简介来源 arxiv.org · doi.org · pubmed.ncbi.nlm.nih.gov · github.com

已发布的结果

只在组内比较：不同组的任务、队列、随机水平与电极布局可能不同。只有 95% 区间不重叠时，才说一行高于另一行。

ds003810 · 核心矩阵 · 运动想象与静息

来源页面：核心矩阵协议：运动想象与静息 · 随机水平 50.0% · experiments.json

方法	条件	指标	数值	被试
EEGNet	Rest versus right-hand imagery	平衡准确率	71.0%65.0%–76.3%	10

ds003810 · 可靠的决策 · 什么时候该拒绝作出决定（粗略：10 名被试）

来源页面：何时不该执行 · reliable-decisions-update.json

方法	条件	指标	数值	被试
EEGNet	固定阈值：校准后的置信度不低于 0.8	被接受的窗口	250 / 1,200没有任何窗口被接受的被试：0 名（共 10 名）。	10
EEGNet	可学习的拒识选项减校准后的置信度，同一分类器（次要对比）	最有把握的 80% 中的错误率，差值（百分点）	+0.9 pp−0.4 pp–+2.4 pp不能认定有差异：区间包含零。	10

局限：十名被试，每个测试折两人。bootstrap 区间粗略；不发布按人的离散度。类别平衡，所以没有部署比率。这个数据集上可学习拒识选项的对比是次要对比。校准数据是与测试被试不重叠的内层折外分数（交叉拟合）。内层模型只见过约 3/4 的训练被试，所以可能比被测试分数的完整模型更不自信。这一近似体现在每一个经过校准的数字里。拒绝已知类别上可能判错的试次，不等于识别陌生的输入：不确定性阈值未必能标出没见过的类别（https://arxiv.org/abs/2603.13324）。第一条路线不作任何分布外的声明。只有配对的 95% 被试 bootstrap 区间不含 0 时，一个对比才称为有差异（不做多重比较校正）；否则写作“不能认定有差异”。只有区间不重叠时，才说一行高于另一行；描述性的数值也从不称为差异。第一条路线的全部局限 →

EEGMAT · 核心矩阵 · 心算与静息

来源页面：核心矩阵协议：心算与静息 · 随机水平 50.0% · experiments.json

方法	条件	指标	数值	被试
EEGNet	Serial subtraction versus resting EEG	平衡准确率	67.6%62.8%–72.5%	36

EEGMAT · 可靠的决策 · 什么时候该拒绝作出决定

来源页面：何时不该执行 · reliable-decisions-update.json

方法	条件	指标	数值	被试
EEGNet	固定阈值：校准后的置信度不低于 0.8	被接受的窗口	126 / 2,160没有任何窗口被接受的被试：19 名（共 36 名）。	36
EEGNet	可学习的拒识选项减校准后的置信度，同一分类器	最有把握的 80% 中的错误率，差值（百分点）	+2.3 pp+0.6 pp–+4.1 pp可以认定有差异：区间不含零。	36

局限：设计上类别平衡。错误率描述的是 1:1 的混合，是方法比较，不是部署时的比率。每个类别各自是一段记录，所以记录层面的差异也是任何模型或选择器都能利用的信息。校准数据是与测试被试不重叠的内层折外分数（交叉拟合）。内层模型只见过约 3/4 的训练被试，所以可能比被测试分数的完整模型更不自信。这一近似体现在每一个经过校准的数字里。拒绝已知类别上可能判错的试次，不等于识别陌生的输入：不确定性阈值未必能标出没见过的类别（https://arxiv.org/abs/2603.13324）。第一条路线不作任何分布外的声明。只有配对的 95% 被试 bootstrap 区间不含 0 时，一个对比才称为有差异（不做多重比较校正）；否则写作“不能认定有差异”。只有区间不重叠时，才说一行高于另一行；描述性的数值也从不称为差异。第一条路线的全部局限 →

BETA · 核心矩阵 · SSVEP，8 通道

来源页面：核心矩阵协议：SSVEP · 8 通道 · 随机水平 2.5% · experiments.json

方法	条件	指标	数值	被试
EEGNet	40 visual targets · 8 posterior electrodes	平衡准确率	55.8%50.1%–61.3%	70

BETA · 核心矩阵 · SSVEP，4 通道

来源页面：核心矩阵协议：SSVEP · 4 通道 · 随机水平 2.5% · experiments.json

方法	条件	指标	数值	被试
EEGNet	40 visual targets · 4 posterior electrodes	平衡准确率	44.1%38.6%–49.6%	70

BETA · 可靠的决策 · 什么时候该拒绝作出决定

来源页面：何时不该执行 · reliable-decisions-update.json

方法	条件	指标	数值	被试
EEGNet	固定阈值：校准后的置信度不低于 0.8	被接受的试次	1,863 / 11,200没有任何试次被接受的被试：10 名（共 70 名）。	70
EEGNet	可学习的拒识选项减校准后的置信度，同一分类器	最有把握的 80% 中的错误率，差值（百分点）	+0.8 pp+0.02 pp–+1.6 pp可以认定有差异：区间不含零。	70

局限：设计上各目标的先验均匀；这是实验室里按提示节奏进行的拼写，没有空闲状态，所以给不出任何形式的误触发数字。校准数据是与测试被试不重叠的内层折外分数（交叉拟合）。内层模型只见过约 3/4 的训练被试，所以可能比被测试分数的完整模型更不自信。这一近似体现在每一个经过校准的数字里。拒绝已知类别上可能判错的试次，不等于识别陌生的输入：不确定性阈值未必能标出没见过的类别（https://arxiv.org/abs/2603.13324）。第一条路线不作任何分布外的声明。只有配对的 95% 被试 bootstrap 区间不含 0 时，一个对比才称为有差异（不做多重比较校正）；否则写作“不能认定有差异”。只有区间不重叠时，才说一行高于另一行；描述性的数值也从不称为差异。第一条路线的全部局限 →

ds006593 · 核心矩阵 · P300 目标 ERP

来源页面：核心矩阵协议：P300 目标 ERP · 随机水平 50.0% · experiments.json

方法	条件	指标	数值	被试
EEGNet	Visual target versus nontarget events	平衡准确率	53.3%51.7%–54.9%	21

TMNRED / ds005383 · 核心矩阵 · 语义目标 ERP

来源页面：核心矩阵协议：语义目标 ERP · 随机水平 50.0% · experiments.json

方法	条件	指标	数值	被试
EEGNet	Reading · target versus nontarget events	平衡准确率	61.4%58.9%–64.0%	30

EESM19 scalp subset · 核心矩阵 · 睡眠分期

来源页面：核心矩阵协议：睡眠分期 · 随机水平 20.0% · experiments.json

方法	条件	指标	数值	被试
EEGNet	Five stages · balanced scalp-EEG sample	平衡准确率	56.5%54.9%–58.3%	20

EESM19 scalp subset · 一个模型，多个问题 · 睡眠，EESM19 完整版（粗略：20 名被试，1 个随机种子）

来源页面：一个模型，多个问题 · shared-representation-update.json

方法	条件	指标	数值	被试
EEGNet	固定分类头（B-lin） · 五期睡眠分期（SL-A）· 从头训练，1 个随机种子	平衡准确率	63.2%1 个随机种子：只有均值，没有区间。	20
EEGNet	问题条件化分类头（C1） · 五期睡眠分期（SL-A）· 从头训练，1 个随机种子	平衡准确率	66.7%1 个随机种子：只有均值，没有区间。	20
EEGNet	分开的模型（A） · 五期睡眠分期（SL-A）· 从头训练，1 个随机种子	平衡准确率	64.7%1 个随机种子：只有均值，没有区间。	20
EEGNet	五期睡眠分期（SL-A）· 问题条件化分类头减固定分类头（C1 − B-lin）	配对差值（百分点），平衡准确率	+3.47 pp+1.54–+5.64 ppC1 更高；未达到 2 pp 界值；通过门槛。	20
EEGNet	五期睡眠分期（SL-A）· 一个共享小 CNN 主干上的固定分类头减分开的模型（B-lin − A(SL-A)）	配对差值（百分点），平衡准确率	−1.47 pp−2.90–−0.10 ppA(SL-A) 更高；未达到 2 pp 界值；通过门槛。	20
EEGNet	固定分类头（B-lin） · 下一帧分期是否改变（SL-E）· 从头训练，1 个随机种子	平衡准确率	53.4%1 个随机种子：只有均值，没有区间。	20
EEGNet	问题条件化分类头（C1） · 下一帧分期是否改变（SL-E）· 从头训练，1 个随机种子	平衡准确率	56.8%1 个随机种子：只有均值，没有区间。	20
EEGNet	分开的模型（A） · 下一帧分期是否改变（SL-E）· 从头训练，1 个随机种子	平衡准确率	52.1%1 个随机种子：只有均值，没有区间。	20
EEGNet	下一帧分期是否改变（SL-E）· 问题条件化分类头减固定分类头（C1 − B-lin）	配对差值（百分点），平衡准确率	+3.38 pp+2.27–+4.36 ppC1 更高；未达到 2 pp 界值（处于下限，不读界值）；处于下限：报告，不计入。	20
EEGNet	下一帧分期是否改变（SL-E）· 一个共享小 CNN 主干上的固定分类头减分开的模型（B-lin − A(SL-E)）	配对差值（百分点），平衡准确率	+1.33 pp+0.42–+2.32 ppB-lin 更高；B-lin 非劣（界值 2 pp）（处于下限，不读界值）；处于下限：报告，不计入。	20
EEGNet	固定分类头（B-lin） · 前半夜还是后半夜（SL-F）· 从头训练，1 个随机种子	平衡准确率	61.8%1 个随机种子：只有均值，没有区间。	20
EEGNet	问题条件化分类头（C1） · 前半夜还是后半夜（SL-F）· 从头训练，1 个随机种子	平衡准确率	63.8%1 个随机种子：只有均值，没有区间。	20
EEGNet	分开的模型（A） · 前半夜还是后半夜（SL-F）· 从头训练，1 个随机种子	平衡准确率	62.5%1 个随机种子：只有均值，没有区间。	20
EEGNet	前半夜还是后半夜（SL-F）· 问题条件化分类头减固定分类头（C1 − B-lin）	配对差值（百分点），平衡准确率	+2.09 pp+0.38–+3.74 ppC1 更高；未达到 2 pp 界值；通过门槛。	20
EEGNet	前半夜还是后半夜（SL-F）· 一个共享小 CNN 主干上的固定分类头减分开的模型（B-lin − A(SL-F)）	配对差值（百分点），平衡准确率	−0.72 pp−2.10–+0.69 pp未显示差异；未达到 2 pp 界值：在这个样本量下无法下结论；通过门槛。	20

局限：这些问题都是各自数据集里已有标签的分类目标，按标识提问。它们不是语言提示，对没见过的问题也说明不了什么（那是第 3 条路线）。EESM19 完整版（S13）用了所有通过已发布核心规则的存储数据帧，保持自然的分期比例；它与本站类别平衡的头皮睡眠子集是不同的协议。SL-E 和 SL-F 在很大程度上可以由当前分期预测；EESM19 上没有计算只用分期的读出。配对 95% 区间不含零时，才算显示出差异；整个区间落在 ±2 pp 以内（这个界值在任何结果出来之前就已定下）时，才算等效；区间排除了某个设置落后 2 pp 或以上的可能时，说它非劣。不做多重比较校正：第二条路线有 21 项主分析比较，另有各项次要比较，在没有真实差异的比较里，约每 20 项就可能有 1 项偶然显示出差异。第二条路线的全部局限 →

ds005342 · 核心矩阵 · 空闲与指令

来源页面：核心矩阵协议：空闲与指令 · experiments.json

方法	条件	指标	数值	被试
EEGNet	Seated motor imagery · cue-gated replay	指令检出率 ≤3 秒	1.7%	4
EEGNet	Seated motor imagery · cue-gated replay	空闲误触发率	0.0%	4

Wearable SSVEP BCI dataset (dry and wet electrodes) · 干湿电极传感器迁移

来源页面：干电极与湿电极 · deployment-topics.json

EEGNet · 湿电极训练，湿电极测试

75.0% (70.3%–79.5%)

EEGNet · 湿电极训练，干电极测试

45.6% (40.5%–50.8%)

EEGNet · 干电极训练，湿电极测试

64.0% (59.1%–68.8%)

EEGNet · 干电极训练，干电极测试

56.8% (51.9%–61.6%)

平衡准确率，4 个配置。 点为估计值，横线为 95% 区间，虚线（如有）为随机水平。

方法	条件	指标	数值	被试
EEGNet	湿电极训练，湿电极测试	平衡准确率	75.0%70.3%–79.5%	102
EEGNet	湿电极训练，干电极测试	平衡准确率	45.6%40.5%–50.8%	102
EEGNet	干电极训练，湿电极测试	平衡准确率	64.0%59.1%–68.8%	102
EEGNet	干电极训练，干电极测试	平衡准确率	56.8%51.9%–61.6%	102

OpenBMI motor imagery (Lee et al. 2019) · 一个模型，多个问题 · 运动想象（第二条路线）

来源页面：一个模型，多个问题 · 随机水平 50.0% · shared-representation-update.json

EEGNet · 固定分类头（B-lin） · 想象还是静息（MI-A）· 从头训练，3 个随机种子

73.2% (70.2%–76.2%)

EEGNet · 共享隐藏层（B-sh） · 想象还是静息（MI-A）· 从头训练，3 个随机种子

74.3% (71.3%–77.3%)

EEGNet · 问题条件化分类头（C1） · 想象还是静息（MI-A）· 从头训练，3 个随机种子

74.6% (71.9%–77.5%)

EEGNet · 分开的模型（A） · 想象还是静息（MI-A）· 从头训练，3 个随机种子

74.2% (71.3%–76.9%)

EEGNet · 固定分类头（B-lin） · 哪只手（MI-B）· 从头训练，3 个随机种子

67.5% (64.6%–70.5%)

EEGNet · 共享隐藏层（B-sh） · 哪只手（MI-B）· 从头训练，3 个随机种子

67.0% (64.1%–69.9%)

EEGNet · 问题条件化分类头（C1） · 哪只手（MI-B）· 从头训练，3 个随机种子

67.4% (64.4%–70.5%)

EEGNet · 分开的模型（A） · 哪只手（MI-B）· 从头训练，3 个随机种子

69.0% (65.9%–72.0%)

平衡准确率，8 个配置。 点为估计值，横线为 95% 区间，虚线（如有）为随机水平。

方法	条件	指标	数值	被试
EEGNet	固定分类头（B-lin） · 想象还是静息（MI-A）· 从头训练，3 个随机种子	平衡准确率	73.2%70.2%–76.2%	51
EEGNet	共享隐藏层（B-sh） · 想象还是静息（MI-A）· 从头训练，3 个随机种子	平衡准确率	74.3%71.3%–77.3%	51
EEGNet	问题条件化分类头（C1） · 想象还是静息（MI-A）· 从头训练，3 个随机种子	平衡准确率	74.6%71.9%–77.5%	51
EEGNet	分开的模型（A） · 想象还是静息（MI-A）· 从头训练，3 个随机种子	平衡准确率	74.2%71.3%–76.9%	51
EEGNet	想象还是静息（MI-A）· 问题条件化分类头减固定分类头（C1 − B-lin）	配对差值（百分点），平衡准确率	+1.48 pp+0.09–+2.89 ppC1 更高；未达到 2 pp 界值；通过门槛。	51
EEGNet	想象还是静息（MI-A）· 问题条件化分类头减不告知问题的同一隐藏层（C1 − B-sh）	配对差值（百分点），平衡准确率	+0.31 pp−0.91–+1.54 pp未显示差异；在 ±2 pp 内等效；通过门槛。	51
EEGNet	想象还是静息（MI-A）· 一个共享小 CNN 主干上的固定分类头减分开的模型（B-lin − A(MI-A)）	配对差值（百分点），平衡准确率	−1.00 pp−2.21–+0.19 pp未显示差异；未达到 2 pp 界值：在这个样本量下无法下结论；通过门槛。	51
EEGNet	固定分类头（B-lin） · 哪只手（MI-B）· 从头训练，3 个随机种子	平衡准确率	67.5%64.6%–70.5%	51
EEGNet	共享隐藏层（B-sh） · 哪只手（MI-B）· 从头训练，3 个随机种子	平衡准确率	67.0%64.1%–69.9%	51
EEGNet	问题条件化分类头（C1） · 哪只手（MI-B）· 从头训练，3 个随机种子	平衡准确率	67.4%64.4%–70.5%	51
EEGNet	分开的模型（A） · 哪只手（MI-B）· 从头训练，3 个随机种子	平衡准确率	69.0%65.9%–72.0%	51
EEGNet	哪只手（MI-B）· 问题条件化分类头减固定分类头（C1 − B-lin）	配对差值（百分点），平衡准确率	−0.09 pp−1.24–+1.04 pp未显示差异；在 ±2 pp 内等效；通过门槛。	51
EEGNet	哪只手（MI-B）· 问题条件化分类头减不告知问题的同一隐藏层（C1 − B-sh）	配对差值（百分点），平衡准确率	+0.45 pp−0.60–+1.34 pp未显示差异；在 ±2 pp 内等效；通过门槛。	51
EEGNet	哪只手（MI-B）· 一个共享小 CNN 主干上的固定分类头减分开的模型（B-lin − A(MI-B)）	配对差值（百分点），平衡准确率	−1.43 pp−2.57–−0.39 ppA(MI-B) 更高；未达到 2 pp 界值；通过门槛。	51

局限：这些问题都是各自数据集里已有标签的分类目标，按标识提问。它们不是语言提示，对没见过的问题也说明不了什么（那是第 3 条路线）。逐人计算的平衡准确率对每名被试同等加权；它用来比较各设置，不是部署时的错误率。这里的 OpenBMI 数字用的是路线 2 自己的 2 秒窗口、不依赖标签的高通滤波和被试不重叠的交叉验证折；不能与本站 OpenBMI 跨会话校准的数字相比。配对 95% 区间不含零时，才算显示出差异；整个区间落在 ±2 pp 以内（这个界值在任何结果出来之前就已定下）时，才算等效；区间排除了某个设置落后 2 pp 或以上的可能时，说它非劣。不做多重比较校正：第二条路线有 21 项主分析比较，另有各项次要比较，在没有真实差异的比较里，约每 20 项就可能有 1 项偶然显示出差异。第二条路线的全部局限 →

BOAS · Bitbrain Open Access Sleep dataset · 一个模型，多个问题 · 睡眠（第二条路线）

来源页面：一个模型，多个问题 · shared-representation-update.json

EEGNet · 固定分类头（B-lin） · 五期睡眠分期（SL-A）· 从头训练，3 个随机种子

34.4% (32.1%–37.0%)

EEGNet · 共享隐藏层（B-sh） · 五期睡眠分期（SL-A）· 从头训练，3 个随机种子

42.9% (40.1%–45.7%)

EEGNet · 问题条件化分类头（C1） · 五期睡眠分期（SL-A）· 从头训练，3 个随机种子

41.4% (38.6%–44.2%)

EEGNet · 分开的模型（A） · 五期睡眠分期（SL-A）· 从头训练，3 个随机种子

35.3% (32.9%–37.8%)

EEGNet · 固定分类头（B-lin） · 下一帧分期是否改变（SL-E）· 从头训练，3 个随机种子

54.4% (53.5%–55.4%)

EEGNet · 共享隐藏层（B-sh） · 下一帧分期是否改变（SL-E）· 从头训练，3 个随机种子

58.9% (57.5%–60.2%)

EEGNet · 问题条件化分类头（C1） · 下一帧分期是否改变（SL-E）· 从头训练，3 个随机种子

57.5% (56.0%–58.8%)

EEGNet · 分开的模型（A） · 下一帧分期是否改变（SL-E）· 从头训练，3 个随机种子

53.2% (52.2%–54.3%)

EEGNet · 固定分类头（B-lin） · 前半夜还是后半夜（SL-F）· 从头训练，3 个随机种子

54.2% (53.0%–55.6%)

EEGNet · 共享隐藏层（B-sh） · 前半夜还是后半夜（SL-F）· 从头训练，3 个随机种子

55.8% (54.2%–57.4%)

EEGNet · 问题条件化分类头（C1） · 前半夜还是后半夜（SL-F）· 从头训练，3 个随机种子

55.6% (54.2%–57.1%)

EEGNet · 分开的模型（A） · 前半夜还是后半夜（SL-F）· 从头训练，3 个随机种子

52.2% (51.0%–53.7%)

平衡准确率，12 个配置。 点为估计值，横线为 95% 区间，虚线（如有）为随机水平。

方法	条件	指标	数值	被试
EEGNet	固定分类头（B-lin） · 五期睡眠分期（SL-A）· 从头训练，3 个随机种子	平衡准确率	34.4%32.1%–37.0%	100
EEGNet	共享隐藏层（B-sh） · 五期睡眠分期（SL-A）· 从头训练，3 个随机种子	平衡准确率	42.9%40.1%–45.7%	100
EEGNet	问题条件化分类头（C1） · 五期睡眠分期（SL-A）· 从头训练，3 个随机种子	平衡准确率	41.4%38.6%–44.2%	100
EEGNet	分开的模型（A） · 五期睡眠分期（SL-A）· 从头训练，3 个随机种子	平衡准确率	35.3%32.9%–37.8%	100
EEGNet	五期睡眠分期（SL-A）· 问题条件化分类头减固定分类头（C1 − B-lin）	配对差值（百分点），平衡准确率	+6.96 pp+4.92–+9.09 ppC1 更高；未达到 2 pp 界值；通过门槛。	100
EEGNet	五期睡眠分期（SL-A）· 问题条件化分类头减不告知问题的同一隐藏层（C1 − B-sh）	配对差值（百分点），平衡准确率	−1.47 pp−3.79–+0.94 pp未显示差异；B-sh 非劣（界值 2 pp）；通过门槛。	100
EEGNet	五期睡眠分期（SL-A）· 一个共享小 CNN 主干上的固定分类头减分开的模型（B-lin − A(SL-A)）	配对差值（百分点），平衡准确率	−0.84 pp−2.73–+0.91 pp未显示差异；未达到 2 pp 界值：在这个样本量下无法下结论；通过门槛。	100
EEGNet	固定分类头（B-lin） · 下一帧分期是否改变（SL-E）· 从头训练，3 个随机种子	平衡准确率	54.4%53.5%–55.4%	100
EEGNet	共享隐藏层（B-sh） · 下一帧分期是否改变（SL-E）· 从头训练，3 个随机种子	平衡准确率	58.9%57.5%–60.2%	100
EEGNet	问题条件化分类头（C1） · 下一帧分期是否改变（SL-E）· 从头训练，3 个随机种子	平衡准确率	57.5%56.0%–58.8%	100
EEGNet	分开的模型（A） · 下一帧分期是否改变（SL-E）· 从头训练，3 个随机种子	平衡准确率	53.2%52.2%–54.3%	100
EEGNet	下一帧分期是否改变（SL-E）· 问题条件化分类头减固定分类头（C1 − B-lin）	配对差值（百分点），平衡准确率	+3.02 pp+1.55–+4.35 ppC1 更高；未达到 2 pp 界值（处于下限，不读界值）；处于下限：报告，不计入。	100
EEGNet	下一帧分期是否改变（SL-E）· 问题条件化分类头减不告知问题的同一隐藏层（C1 − B-sh）	配对差值（百分点），平衡准确率	−1.41 pp−2.40–−0.50 ppB-sh 更高；B-sh 非劣（界值 2 pp）（处于下限，不读界值）；处于下限：报告，不计入。	100
EEGNet	下一帧分期是否改变（SL-E）· 一个共享小 CNN 主干上的固定分类头减分开的模型（B-lin − A(SL-E)）	配对差值（百分点），平衡准确率	+1.20 pp+0.07–+2.44 ppB-lin 更高；B-lin 非劣（界值 2 pp）（处于下限，不读界值）；处于下限：报告，不计入。	100
EEGNet	固定分类头（B-lin） · 前半夜还是后半夜（SL-F）· 从头训练，3 个随机种子	平衡准确率	54.2%53.0%–55.6%	100
EEGNet	共享隐藏层（B-sh） · 前半夜还是后半夜（SL-F）· 从头训练，3 个随机种子	平衡准确率	55.8%54.2%–57.4%	100
EEGNet	问题条件化分类头（C1） · 前半夜还是后半夜（SL-F）· 从头训练，3 个随机种子	平衡准确率	55.6%54.2%–57.1%	100
EEGNet	分开的模型（A） · 前半夜还是后半夜（SL-F）· 从头训练，3 个随机种子	平衡准确率	52.2%51.0%–53.7%	100
EEGNet	前半夜还是后半夜（SL-F）· 问题条件化分类头减固定分类头（C1 − B-lin）	配对差值（百分点），平衡准确率	+1.42 pp−0.25–+2.90 pp未显示差异；未达到 2 pp 界值（处于下限，不读界值）：在这个样本量下无法下结论；处于下限：报告，不计入。	100
EEGNet	前半夜还是后半夜（SL-F）· 问题条件化分类头减不告知问题的同一隐藏层（C1 − B-sh）	配对差值（百分点），平衡准确率	−0.14 pp−1.41–+1.15 pp未显示差异；在 ±2 pp 内等效（处于下限，不读界值）；处于下限：报告，不计入。	100
EEGNet	前半夜还是后半夜（SL-F）· 一个共享小 CNN 主干上的固定分类头减分开的模型（B-lin − A(SL-F)）	配对差值（百分点），平衡准确率	+2.01 pp+0.54–+3.89 ppB-lin 更高；B-lin 非劣（界值 2 pp）（处于下限，不读界值）；处于下限：报告，不计入。	100
EEGNet	清醒还是睡着（SL-B）· 它自己的模型 A(SL-B)，对比从 A(SL-A) 读出	log R：专用模型与读出的剩余错误之比	−0.380−0.583–−0.203专用模型剩余的错误更少；未达到 20% 界值；通过门槛。	100

BOAS 在说明三处缺口后发布（所有者决定，2026 年 10 月 7 日）：

知情同意声明没有说明被试是否同意公开共享或二次使用。The consent statement does not say whether participants agreed to public sharing or secondary use.
伦理与知情同意的陈述只来自发布者的数据集说明与 README，没有任何同行评审论文描述 BOAS。The ethics and consent statements come from the publisher's dataset description and README. No peer-reviewed paper describes BOAS.
伦理批件编号是在 1.1.1 版（2025 年 5 月）才加入发布的，发布中没有说明它是在记录之前还是之后批准的。The ethics reference was added to the release in version 1.1.1 (May 2025), and the release does not say when it was granted relative to the recordings.

被试在公开发布中是假名化的。这里没有任何结果是在评估 Bitbrain 的头带或它的自动睡眠分期；两者都没有使用。No result here evaluates Bitbrain's headband or its automatic sleep scoring; neither is used.

署名：Eduardo López-Larraz, María Sierra-Torralba, Sergio Clemente, Galit Fierro, David Oriol, Javier Minguez, Luis Montesano and Jens G. Klinzing · The Bitbrain Open Access Sleep (BOAS) dataset, OpenNeuro ds005555, version 1.1.3 (2026), doi:10.18112/openneuro.ds005555.v1.1.3. Polysomnography EEG and the human-consensus stage labels only; the headband recordings and the publisher's automatic labels are not used.

局限：这些问题都是各自数据集里已有标签的分类目标，按标识提问。它们不是语言提示，对没见过的问题也说明不了什么（那是第 3 条路线）。逐人计算的平衡准确率对每名被试同等加权；它用来比较各设置，不是部署时的错误率。SL-E 和 SL-F 在很大程度上可以由当前分期预测：只用真实的当前分期读出，平衡准确率就能达到 61.9% 和 59.2%（100 名被试，描述性）。配对 95% 区间不含零时，才算显示出差异；整个区间落在 ±2 pp 以内（这个界值在任何结果出来之前就已定下）时，才算等效；区间排除了某个设置落后 2 pp 或以上的可能时，说它非劣。不做多重比较校正：第二条路线有 21 项主分析比较，另有各项次要比较，在没有真实差异的比较里，约每 20 项就可能有 1 项偶然显示出差异。第二条路线的全部局限 →

全部方法 → · 全部数据集 →

引用本页

BCI Report. EEGNet：在公开 EEG 数据集上的结果[EB/OL]. (2026-10-07). https://bci.report/zh/methods/eegnet/

数字来自发布 shared-representation-update-20261007（2026-10-07）、reliable-decisions-update-20261004（2026-10-04）、deployment-topics-20260920-v1（2026-09-20）、research-preview-20260920（2026-09-20）。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）