# EEGPT：在公开 EEG 数据集上的结果 基础模型 EEGPT 是一个预训练的 EEG Transformer（NeurIPS 2024）。论文用五个公开数据集——PhysioMI、HGD、TSU、SEED 与 M3CV——在 58 个电极、256 Hz、4 秒时间窗上对它预训练，每个 0.25 秒片段（patch）上的各通道由四个汇总 token 概括。本站把作者发布的检查点冻结，在 8 个核心协议上运行，与 LaBraM 各行、以及除空闲协议外的 CBraMod 各行出自同一批运行；分类头是本站固定的那一个，接在这些 token 上，而不是作者使用的可学习空间滤波器加线性分类头。 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/)、[ds006593](https://bci.report/zh/datasets/ds006593/)、[TMNRED / ds005383](https://bci.report/zh/datasets/tmnred/)、[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/)、[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](https://bci.report/zh/protocols/sleep-scalp/)、[空闲与指令](https://bci.report/zh/protocols/idle/) **又称** EEGPT · BINE022/EEGPT · eegpt_mcae_58chs_4s_large4E **参考文献** [EEGPT: Pretrained Transformer for Universal and Reliable Representation of EEG Signals. NeurIPS 2024. ↗](https://doi.org/10.52202/079017-1239) 目录状态：已评测 · [官方代码 ↗](https://github.com/BINE022/EEGPT) · 简介来源 [papers.neurips.cc](https://papers.neurips.cc/paper_files/paper/2024/file/4540d267eeec4e5dbd9dae9448f0b739-Paper-Conference.pdf) · [doi.org](https://doi.org/10.52202/079017-1239) · [github.com](https://github.com/BINE022/EEGPT/tree/a0e0a8fad729e2ecf4eedb3a81548a6e6d48a705) ## 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](https://bci.report/zh/datasets/ds003810/) · EEGPT（冻结编码器）· 运动想象与静息 来源页面：[核心矩阵协议：运动想象与静息](https://bci.report/zh/protocols/mi-rest/#eegpt) · 随机水平 50.0% · [eegpt-core-update.json](https://bci.report/data/eegpt-core-update.json) | 方法 | 条件 | 指标 | 数值 | 被试 | | --- | --- | --- | --- | --- | | [EEGPT](https://bci.report/zh/methods/eegpt/) | 冻结编码器 + 岭回归分类头 | 平衡准确率 | 58.3% (54.9%–61.8%) | 10 | ds003810 的采样率为 125 Hz；它的时间窗上采样到 256 Hz 后送入编码器，所以不含 62.5 Hz 以上的成分。 ### [ds003810](https://bci.report/zh/datasets/ds003810/) · 预训练 · 固定分类头 来源页面：[预训练有用吗？](https://bci.report/zh/topics/does-pretraining-help/) · [eegpt-core-update.json](https://bci.report/data/eegpt-core-update.json) | 方法 | 条件 | 指标 | 数值 | 被试 | | --- | --- | --- | --- | --- | | [EEGPT](https://bci.report/zh/methods/eegpt/) | 运动想象 / 静息 · 预训练 | 平衡准确率 | 58.3% | 10 | | [EEGPT](https://bci.report/zh/methods/eegpt/) | 运动想象 / 静息 · 随机初始化（均值） | 平衡准确率 | 54.1% | 10 | ### [ds003810](https://bci.report/zh/datasets/ds003810/) · 预训练 · 训练集内选定分类头 来源页面：[预训练有用吗？](https://bci.report/zh/topics/does-pretraining-help/) · [eegpt-core-update.json](https://bci.report/data/eegpt-core-update.json) | 方法 | 条件 | 指标 | 数值 | 被试 | | --- | --- | --- | --- | --- | | [EEGPT](https://bci.report/zh/methods/eegpt/) | 运动想象 / 静息 · 预训练 | 平衡准确率 | 57.0% | 10 | | [EEGPT](https://bci.report/zh/methods/eegpt/) | 运动想象 / 静息 · 随机初始化（均值） | 平衡准确率 | 53.1% | 10 | ### [EEGMAT](https://bci.report/zh/datasets/eegmat/) · EEGPT（冻结编码器）· 心算与静息 来源页面：[核心矩阵协议：心算与静息](https://bci.report/zh/protocols/arithmetic-rest/#eegpt) · 随机水平 50.0% · [eegpt-core-update.json](https://bci.report/data/eegpt-core-update.json) | 方法 | 条件 | 指标 | 数值 | 被试 | | --- | --- | --- | --- | --- | | [EEGPT](https://bci.report/zh/methods/eegpt/) | 冻结编码器 + 岭回归分类头 | 平衡准确率 | 65.7% (60.9%–70.3%) | 36 | ### [EEGMAT](https://bci.report/zh/datasets/eegmat/) · 预训练 · 固定分类头 来源页面：[预训练有用吗？](https://bci.report/zh/topics/does-pretraining-help/) · [eegpt-core-update.json](https://bci.report/data/eegpt-core-update.json) | 方法 | 条件 | 指标 | 数值 | 被试 | | --- | --- | --- | --- | --- | | [EEGPT](https://bci.report/zh/methods/eegpt/) | 脑力负荷 · 预训练 | 平衡准确率 | 65.7% | 36 | | [EEGPT](https://bci.report/zh/methods/eegpt/) | 脑力负荷 · 随机初始化（均值） | 平衡准确率 | 59.2% | 36 | ### [EEGMAT](https://bci.report/zh/datasets/eegmat/) · 预训练 · 训练集内选定分类头 来源页面：[预训练有用吗？](https://bci.report/zh/topics/does-pretraining-help/) · [eegpt-core-update.json](https://bci.report/data/eegpt-core-update.json) | 方法 | 条件 | 指标 | 数值 | 被试 | | --- | --- | --- | --- | --- | | [EEGPT](https://bci.report/zh/methods/eegpt/) | 脑力负荷 · 预训练 | 平衡准确率 | 66.0% | 36 | | [EEGPT](https://bci.report/zh/methods/eegpt/) | 脑力负荷 · 随机初始化（均值） | 平衡准确率 | 58.6% | 36 | ### [BETA](https://bci.report/zh/datasets/beta/) · EEGPT（冻结编码器）· SSVEP，8 通道 来源页面：[核心矩阵协议：SSVEP · 8 通道](https://bci.report/zh/protocols/beta-8ch/#eegpt) · 随机水平 2.5% · [eegpt-core-update.json](https://bci.report/data/eegpt-core-update.json) | 方法 | 条件 | 指标 | 数值 | 被试 | | --- | --- | --- | --- | --- | | [EEGPT](https://bci.report/zh/methods/eegpt/) | 冻结编码器 + 岭回归分类头 | 平衡准确率 | 20.3% (18.2%–22.6%) | 70 | PO5 与 PO6 所用的通道嵌入在 EEGPT 的预训练中从未训练过：EEGPT 的通道字典共 62 个名称，其中四个（AF7、AF8、PO5、PO6）不在它 58 电极的预训练电极布局中，这两个通道就在其中。这里其余六个通道，以及 4 通道子集的全部四个通道，用的都是训练过的嵌入。 ### [BETA](https://bci.report/zh/datasets/beta/) · EEGPT（冻结编码器）· SSVEP，4 通道 来源页面：[核心矩阵协议：SSVEP · 4 通道](https://bci.report/zh/protocols/beta-4ch/#eegpt) · 随机水平 2.5% · [eegpt-core-update.json](https://bci.report/data/eegpt-core-update.json) | 方法 | 条件 | 指标 | 数值 | 被试 | | --- | --- | --- | --- | --- | | [EEGPT](https://bci.report/zh/methods/eegpt/) | 冻结编码器 + 岭回归分类头 | 平衡准确率 | 17.3% (15.5%–19.2%) | 70 | ### [ds006593](https://bci.report/zh/datasets/ds006593/) · EEGPT（冻结编码器）· P300 目标 ERP 来源页面：[核心矩阵协议：P300 目标 ERP](https://bci.report/zh/protocols/p300-target/#eegpt) · 随机水平 50.0% · [eegpt-core-update.json](https://bci.report/data/eegpt-core-update.json) | 方法 | 条件 | 指标 | 数值 | 被试 | | --- | --- | --- | --- | --- | | [EEGPT](https://bci.report/zh/methods/eegpt/) | 冻结编码器 + 岭回归分类头 | 平衡准确率 | 54.0% (51.5%–56.6%) | 21 | P300 与语义目标两个协议的一秒时间窗按四个实际的 0.25 秒片段（patch）运行：编码器构建之后才把片段网格设为四个，没有任何填充。EEGPT 的编码器对每个时间片段分别处理，所以这在数值上等同于直接按 256 个采样点的输入构建编码器，就像 Orthosis 试点按它 128 个采样点的时间窗构建编码器那样。 ### [TMNRED / ds005383](https://bci.report/zh/datasets/tmnred/) · EEGPT（冻结编码器）· 语义目标 ERP 来源页面：[核心矩阵协议：语义目标 ERP](https://bci.report/zh/protocols/semantic-target/#eegpt) · 随机水平 50.0% · [eegpt-core-update.json](https://bci.report/data/eegpt-core-update.json) | 方法 | 条件 | 指标 | 数值 | 被试 | | --- | --- | --- | --- | --- | | [EEGPT](https://bci.report/zh/methods/eegpt/) | 冻结编码器 + 岭回归分类头 | 平衡准确率 | 54.6% (53.3%–55.9%) | 30 | ### [EESM19 scalp subset](https://bci.report/zh/datasets/eesm19/) · EEGPT（冻结编码器）· 睡眠分期 来源页面：[核心矩阵协议：睡眠分期](https://bci.report/zh/protocols/sleep-scalp/#eegpt) · 随机水平 20.0% · [eegpt-core-update.json](https://bci.report/data/eegpt-core-update.json) | 方法 | 条件 | 指标 | 数值 | 被试 | | --- | --- | --- | --- | --- | | [EEGPT](https://bci.report/zh/methods/eegpt/) | 冻结编码器 + 岭回归分类头 | 平衡准确率 | 75.5% (73.9%–77.1%) | 20 | ### [ds005342](https://bci.report/zh/datasets/ds005342/) · EEGPT（冻结编码器）· 空闲与指令 来源页面：[核心矩阵协议：空闲与指令](https://bci.report/zh/protocols/idle/#eegpt) · [eegpt-core-update.json](https://bci.report/data/eegpt-core-update.json) | 方法 | 条件 | 指标 | 数值 | 被试 | | --- | --- | --- | --- | --- | | [EEGPT](https://bci.report/zh/methods/eegpt/) | 冻结编码器 + 线性分类头 | 检出的指令 ≤3 秒 | 7 / 60 — 1 名始终拒识（共 4 名被试）。 | 4 | | [EEGPT](https://bci.report/zh/methods/eegpt/) | 冻结编码器 + 线性分类头 | 空闲误触发 | 2 / 60 | 4 | | [EEGPT](https://bci.report/zh/methods/eegpt/) | 冻结编码器 + 线性分类头 | 窗口平衡准确率 | 57.2% | 4 | | [EEGPT](https://bci.report/zh/methods/eegpt/) | 冻结编码器 + 线性分类头 | 窗口 AUROC | 0.780 | 4 | 与已发布的 LaBraM 空闲行出自同一次运行；已发布的 CBraMod 空闲行来自另一次运行，所以与它的比较是跨运行的。窗口平衡准确率与 AUROC 按更多基础模型编码器各行的定义，从这次运行保存的概率算出；各项计数是运行本身记录的。 [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 任何模型的作者都没有为这些结果背书。 ### EEGPT - 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: 25.29M - 版本: `BINE022/EEGPT @ a0e0a8fad729e2ecf4eedb3a81548a6e6d48a705` - 检查点 SHA-256: `eegpt_mcae_58chs_4s_large4E.ckpt` `9d63ebc80bba1ad5e3277df4eecfa05d2745e6243a12ff743c4c0a93930dfac0` - 论文: [EEGPT: Pretrained Transformer for Universal and Reliable Representation of EEG Signals (NeurIPS 2024) ↗](https://doi.org/10.52202/079017-1239) - 代码许可: Apache-2.0（仅限代码仓库中的源代码）Apache-2.0 (the repository’s source code only) - 权重许可: 尚未厘清：无法从检查点的托管记录中读到它自己的许可与条款，代码仓库的代码许可也不能证明它涵盖权重unresolved: the checkpoint’s own licence and terms could not be read from its hosting record, and the repository’s code licence is not evidence that it covers the weights - 权重: 不分发任何原始或转换后的权重；哈希只用于标识所用的检查点，不授予任何权利no original or converted weights are distributed; the hashes identify the checkpoint used and grant nothing - 权利审查: 依据所有者的决定发布，只发布聚合结果，与那项试点比较相同。检查点的许可无法读到；没有找到发布者禁止发布独立计算的聚合结果的规定；不分发任何原始或转换后的权重。Published by the owner’s decision, aggregate results only, as the pilot comparison is. The checkpoint’s licence could not be read; no publisher prohibition on independently computed aggregate results was found; no original or converted weights are distributed. - 输入: 已发布的 250 Hz 微伏时间窗，重采样到 256 Hz 并除以 1,000（换算为毫伏）；只用实际记录的通道，每个通道对应它自己的通道 token（T3、T4、T5、T6 分别按 T7、T8、P7、P8 命名）；不做插值、填充、补零通道或平均参考the published 250 Hz microvolt windows, resampled to 256 Hz and divided by 1,000 (millivolts); only the recorded channels, each as its channel token (T3, T4, T5 and T6 named T7, T8, P7 and P8); no interpolation, padding, zero-filled channels or average reference - 池化: 四个汇总 token 在各时间片段上取平均后拼接：每个时间窗 2,048 个值the four summary tokens averaged over time patches and concatenated: 2,048 values per window - 各行脚注: 每个核心时间窗都比 EEGPT 预训练用的 4 秒时间窗短：1 秒或 2 秒，睡眠则是十五段各 2 秒的数据。无论时间窗多长，编码器对每个 0.25 秒片段的计算方式都相同；时间窗越短，可供平均的片段越少。Every core window is shorter than EEGPT’s 4-second pretraining window: 1 or 2 seconds, and sleep as fifteen 2-second segments. The encoder computes each 0.25-second patch the same way at any length; a shorter window gives fewer patches to average. 读出用的是本站固定的分类头，接在冻结的汇总 token 上，与已发布的 LaBraM、CBraMod 各行相同：在 2,048 个池化值上做岭回归（alpha 100），空闲协议上则是逐人的逻辑回归分类头。它不是作者在下游任务中用的分类头（可学习的空间滤波器加线性分类头）；输入的时间窗也没有做 EEGPT 预训练时用的平均参考。The readout is the site’s fixed probe on the frozen summary tokens, as for the published LaBraM and CBraMod rows: ridge (alpha 100) on 2,048 pooled values, and on idle a per-person logistic head. It is not the authors’ downstream probe, a learnable spatial filter with a linear head, and the windows are fed without the average reference EEGPT was pretrained with. - 试点比较: [在 Orthosis 错误检测数据集上，冻结的 EEGPT 与匹配的经典特征的比较 →](https://bci.report/zh/topics/pilot-studies/#orthosis) ## 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 2026-10-12 核查（只到数据集一级）并附来源；不在清单中的数据集，其记录仍可能出现在预训练数据中。 | 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（2026-10-12 核查） | [来源 ↗](https://papers.neurips.cc/paper_files/paper/2024/file/4540d267eeec4e5dbd9dae9448f0b739-Paper-Conference.pdf) · [来源 ↗](https://github.com/BINE022/EEGPT/tree/ea7282f698c406cd423ccbedbe9960853761144c/datasets/pretrain) · [来源 ↗](https://doi.org/10.18112/openneuro.ds003810.v2.0.2) | | [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（2026-10-12 核查） | [来源 ↗](https://papers.neurips.cc/paper_files/paper/2024/file/4540d267eeec4e5dbd9dae9448f0b739-Paper-Conference.pdf) · [来源 ↗](https://github.com/BINE022/EEGPT/tree/ea7282f698c406cd423ccbedbe9960853761144c/datasets/pretrain) · [来源 ↗](https://physionet.org/content/eegmat/1.0.0/) | | [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（2026-10-12 核查） | [来源 ↗](https://papers.neurips.cc/paper_files/paper/2024/file/4540d267eeec4e5dbd9dae9448f0b739-Paper-Conference.pdf) · [来源 ↗](https://github.com/BINE022/EEGPT/tree/ea7282f698c406cd423ccbedbe9960853761144c/datasets/pretrain) · [来源 ↗](https://doi.org/10.18112/openneuro.ds006593.v1.0.0) | | [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（2026-10-12 核查） | [来源 ↗](https://papers.neurips.cc/paper_files/paper/2024/file/4540d267eeec4e5dbd9dae9448f0b739-Paper-Conference.pdf) · [来源 ↗](https://github.com/BINE022/EEGPT/tree/ea7282f698c406cd423ccbedbe9960853761144c/datasets/pretrain) · [来源 ↗](https://doi.org/10.18112/openneuro.ds005383.v1.0.0) | | [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（2026-10-12 核查） | [来源 ↗](https://papers.neurips.cc/paper_files/paper/2024/file/4540d267eeec4e5dbd9dae9448f0b739-Paper-Conference.pdf) · [来源 ↗](https://github.com/BINE022/EEGPT/tree/ea7282f698c406cd423ccbedbe9960853761144c/datasets/pretrain) · [来源 ↗](https://doi.org/10.18112/openneuro.ds005185.v1.0.2) | | [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（2026-10-12 核查） | [来源 ↗](https://papers.neurips.cc/paper_files/paper/2024/file/4540d267eeec4e5dbd9dae9448f0b739-Paper-Conference.pdf) · [来源 ↗](https://github.com/BINE022/EEGPT/tree/ea7282f698c406cd423ccbedbe9960853761144c/datasets/pretrain) · [来源 ↗](https://doi.org/10.3389/fnins.2020.00627) | | [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（2026-10-12 核查） | [来源 ↗](https://papers.neurips.cc/paper_files/paper/2024/file/4540d267eeec4e5dbd9dae9448f0b739-Paper-Conference.pdf) · [来源 ↗](https://github.com/BINE022/EEGPT/tree/ea7282f698c406cd423ccbedbe9960853761144c/datasets/pretrain) · [来源 ↗](https://doi.org/10.18112/openneuro.ds005342.v1.0.3) | **预训练语料：** 五个公开数据集，按论文表 1 所列：PhysioMI（PhysioNet 运动想象与运动执行数据）、HGD、TSU（清华大学 40 目标 SSVEP 基准数据集）、SEED 与 M3CV；58 个电极、256 Hz、毫伏、平均参考、4 秒时间窗。Five public datasets, as the paper’s Table 1 lists them: PhysioMI (PhysioNet motor imagery and execution), HGD, TSU (the Tsinghua 40-target SSVEP benchmark), SEED and M3CV; 58 electrodes, 256 Hz, millivolts, average reference, 4-second windows. **核查说明：** 背景：BETA 不在 EEGPT 作者公开的预训练数据清单中，但清华大学的 40 目标 SSVEP 基准数据集（Wang 等，2017）在清单中，名为 TSU。BETA 的作者把 BETA 描述为该基准的扩展：出自同一团队，采用相同的 40 目标布局，记录是它自己的；两者是否有共同的被试，作者没有说明。For context: BETA is not in EEGPT’s published pretraining list, but the Tsinghua 40-target SSVEP benchmark (Wang et al., 2017) is, as TSU. BETA’s authors describe BETA as an extension of that benchmark, from the same group with the same 40-target layout and its own recordings; whether anyone took part in both is not stated. ## 引用本页 BCI Report. *EEGPT：在公开 EEG 数据集上的结果*[EB/OL]. (2026-10-13). https://bci.report/zh/methods/eegpt/ 数字来自发布 [`eegpt-core-update-20261013`](https://bci.report/zh/releases/#eegpt-core-update-20261013)（2026-10-13）。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/eegpt/ 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）。