基础模型

ERP-FM：在公开 EEG 数据集上的结果

ERP-FM 是只用事件相关电位（ERP）记录预训练的 EEG 基础模型：论文列出了它所用的任务级 ERP 数据集。在本站，P300 目标与语义目标这两个 ERP 协议在它的设计范围内；其余 6 个是设计范围之外的阴性对照，而且这里的 ERP 时间窗没有刺激前基线，所以这不是在 ERP-FM 自己的设定下对它的检验。权重为 CC BY-NC-SA 4.0，仅限非商业用途。

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 ERP-FM Base

参考文献 ERP-FM, arXiv:2609.32796 ↗

目录状态：已评测（冻结探针） · 官方代码 ↗ · 简介来源 arxiv.org · github.com

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
ERP-FM Base	冻结编码器 + 岭回归分类头	平衡准确率	54.8%51.8%–57.8%	10

权重条款：ERP-FM 采用 CC BY-NC-SA 4.0，仅限非商业用途。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
ERP-FM Base	冻结编码器 + 岭回归分类头	平衡准确率	61.1%57.3%–65.1%	36

权重条款：ERP-FM 采用 CC BY-NC-SA 4.0，仅限非商业用途。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
ERP-FM Base	冻结编码器 + 岭回归分类头	平衡准确率	18.4%16.3%–20.5%	70

权重条款：ERP-FM 采用 CC BY-NC-SA 4.0，仅限非商业用途。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
ERP-FM Base	冻结编码器 + 岭回归分类头	平衡准确率	20.9%18.4%–23.5%	70

权重条款：ERP-FM 采用 CC BY-NC-SA 4.0，仅限非商业用途。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% · foundation-models-p300-target.csv

方法	条件	指标	数值	被试
ERP-FM Base	冻结编码器 + 岭回归分类头	平衡准确率	51.2%49.3%–53.2%	21

权重条款：ERP-FM 采用 CC BY-NC-SA 4.0，仅限非商业用途。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 →

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% · foundation-models-semantic-target.csv

方法	条件	指标	数值	被试
ERP-FM Base	冻结编码器 + 岭回归分类头	平衡准确率	53.3%51.7%–54.8%	30

权重条款：ERP-FM 采用 CC BY-NC-SA 4.0，仅限非商业用途。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 →

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
ERP-FM Base	冻结编码器 + 岭回归分类头	平衡准确率	71.0%69.5%–72.6%	20

权重条款：ERP-FM 采用 CC BY-NC-SA 4.0，仅限非商业用途。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
ERP-FM Base	冻结编码器 + 线性分类头	检出的指令 ≤3 秒	3 / 602 名始终拒识（共 4 名被试）。	4
ERP-FM Base	冻结编码器 + 线性分类头	空闲误触发	1 / 60	4

权重条款：ERP-FM 采用 CC BY-NC-SA 4.0，仅限非商业用途。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。

ERP-FM 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: 2.02M
版本: Google Drive file 1IXYnCOpDmY6raIn0M8_ggBOVey_A27l1 (no revision id; sha256 is the identity)
检查点 SHA-256: 856564c4208e9cfe30cfeb5052038071c4951b7078de2bc9e461dead7eb511d4
论文: 论文 ↗
权重许可: CC BY-NC-SA 4.0（仅限非商业用途；只发布聚合分数）CC BY-NC-SA 4.0 (non-commercial; aggregate scores only)
许可说明: CC BY-NC-SA 4.0：仅限非商业用途；只发布聚合分数；须署名；不转发任何权重。CC BY-NC-SA 4.0: non-commercial; aggregate scores only; attribution required; no weights redistributed.
权利审查: 非商业、相同方式共享的权重。本站是个人非商业研究，只发布聚合分数并署名；不转发任何权重。Non-commercial share-alike weights. This site is personal noncommercial research and publishes aggregate scores only, with attribution; no weights are redistributed.
各行脚注: 设计范围内：p300-target 与 semantic-target。其余六个协议是模型设计范围之外的阴性对照。ERP 时间窗没有刺激前基线。In design: p300-target and semantic-target. The other six protocols are negative controls outside the model's design. ERP windows have no pre-stimulus baseline.
EEGMAT 适配: 按设计未运行：ERP-FM 只做冻结探针，而 EEGMAT 的心算任务不在 ERP 设计范围内not run by design: ERP-FM is frozen probes only and EEGMAT arithmetic is outside the ERP design

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 ↗ · 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 ↗
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 ↗
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 ↗
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 ↗
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 ↗
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 ↗

引用本页

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

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）