BCI Report基础模型
LaBraM（Large Brain Model）是上海交通大学 Jiang、Zhao 和 Lu 提出的 EEG 基础模型（ICLR 2024），论文给出了 Base、Large 和 Huge 三种规模。向量量化的 tokenizer 把单通道 EEG 片段（patch）编码为离散码，Transformer 通过预测被掩码片段的离散码进行预训练，预训练数据约 2,500 小时、来自约 20 个数据集。
测量所用数据集：ds003810、EEGMAT、BETA、ds006593、TMNRED / ds005383、EESM19 scalp subset、ds005342、Mobile BCI dataset (SSVEP and ERP paradigms) · 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 LaBraM · Large Brain Model · LaBraM-Base · Labram · Jiang et al. 2024
目录状态：已评测 · 官方代码 ↗ · 简介来源 arxiv.org · github.com · github.com
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。
| 方法 | 条件 | 指标 | 数值 | 被试 |
|---|---|---|---|---|
| LaBraM | Rest versus right-hand imagery | 平衡准确率 | 53.5%51.4%–55.4% | 10 |
| 方法 | 条件 | 指标 | 数值 | 被试 |
|---|---|---|---|---|
| LaBraM | Serial subtraction versus resting EEG | 平衡准确率 | 64.6%60.5%–68.6% | 36 |
| 方法 | 条件 | 指标 | 数值 | 被试 |
|---|---|---|---|---|
| LaBraM | 只训分类头 · 编码器冻结 | 平衡准确率 | 56.6%54.2%–59.0% | 36 |
| LaBraM | 最后一个 Transformer 块 + 分类头 | 平衡准确率 | 65.7%61.6%–69.7% | 36 |
| LaBraM | 秩为 4 的 LoRA + 分类头 | 平衡准确率 | 64.1%60.2%–67.8% | 36 |
| LaBraM | 秩为 4 的 LoRA + 分类头减只训分类头 | 配对差值（百分点） | +7.5 pp+4.8 pp–+10.1 pp | 36 |
| LaBraM | 最后一个 Transformer 块 + 分类头减只训分类头 | 配对差值（百分点） | +9.1 pp+6.0 pp–+12.2 pp | 36 |
| LaBraM | 秩为 4 的 LoRA + 分类头减最后一个 Transformer 块 + 分类头 | 配对差值（百分点） | −1.6 pp−4.4 pp–+1.0 pp | 36 |
| 方法 | 条件 | 指标 | 数值 | 被试 |
|---|---|---|---|---|
| LaBraM · 只训分类头，编码器冻结 | 固定阈值：校准后的置信度不低于 0.8 | 被接受的窗口 | 1 / 2,160没有任何窗口被接受的被试：35 名（共 36 名）。 | 36 |
| LaBraM · 只训分类头，编码器冻结 | 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） | +0.6 pp−0.5 pp–+2.7 pp不能认定有差异：区间包含零。 | 36 |
| LaBraM · 秩为 4 的 LoRA + 分类头 | 固定阈值：校准后的置信度不低于 0.8 | 被接受的窗口 | 44 / 2,160没有任何窗口被接受的被试：24 名（共 36 名）。 | 36 |
| LaBraM · 秩为 4 的 LoRA + 分类头 | 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） | +1.9 pp+0.6 pp–+3.5 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 →
| 方法 | 条件 | 指标 | 数值 | 被试 |
|---|---|---|---|---|
| LaBraM | 40 visual targets · 8 posterior electrodes | 平衡准确率 | 10.8%9.5%–12.2% | 70 |
| 方法 | 条件 | 指标 | 数值 | 被试 |
|---|---|---|---|---|
| LaBraM | 40 visual targets · 4 posterior electrodes | 平衡准确率 | 12.9%11.2%–14.6% | 70 |
| 方法 | 条件 | 指标 | 数值 | 被试 |
|---|---|---|---|---|
| LaBraM | Visual target versus nontarget events | 平衡准确率 | 49.4%47.7%–51.2% | 21 |
| 方法 | 条件 | 指标 | 数值 | 被试 |
|---|---|---|---|---|
| LaBraM | Reading · target versus nontarget events | 平衡准确率 | 53.2%51.3%–54.9% | 30 |
| 方法 | 条件 | 指标 | 数值 | 被试 |
|---|---|---|---|---|
| LaBraM | Five stages · balanced scalp-EEG sample | 平衡准确率 | 71.1%69.0%–73.2% | 20 |
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（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.) | 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 ↗ |
| 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 ↗ |
| 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 ↗ |
| 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 ↗ |
| 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 ↗ |
| 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 ↗ |
| 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 ↗ |
核查说明： SingLEM 与 LaBraM 的清单按数据集名称和参考文献比对；大多数条目没有登录号。SingLEM and LaBraM lists are matched by dataset name and reference; most rows carry no accession number.
LaBraM at Scale（Pan、Yin、Lu、Li、Zheng、Wang，arXiv 2611.03165）发布了采用 LaBraM 架构的编码器，在 Quark、Atom、Molecule 三个语料集上以多种规模预训练。本站冻结运行了其中六个，接上已发布的岭回归分类头：Quark-B、Quark-L、Quark-H 与 Quark-G，以及 Atom 与 Molecule 的 Large 编码器。Quark 的九个预训练来源为 Alljoined、Game、HMC、SEED、SEED-IV、SEED-V、SEED-VII、THINGS-EEG2、TUH；Atom 与 Molecule 的清单包含五个核心数据集，所以相应单元格带有标记。
Pan-Junyu/LaBraM-at-Scale @ a0b0ce27 · quark/quark-base.safetensors3ffd4ca8fc7acf63dd89a8fc4be8c5d79666818e62bc61b10693767f0925648ePan-Junyu/LaBraM-at-Scale @ a0b0ce27 · quark/quark-large.safetensors8729eea4bb16567b11ce1d86d9e23b485324f4b5e8ad1122964003f7c89cd339Pan-Junyu/LaBraM-at-Scale @ a0b0ce27 · quark/quark-huge.safetensors246b875445b156d54e6ebb0b97f90dbd6890e848e8255290e7d9c7c48a2728c5Pan-Junyu/LaBraM-at-Scale @ a0b0ce27 · quark/quark-giant.safetensorsfe75959108ba07f0b435898dc43ceefca1de6b92b4f77c0486a6bec670ed835ePan-Junyu/LaBraM-at-Scale @ a0b0ce27 · atom/atom-large.safetensorsa28e97f7bd73bd7ff55f3b5d680f48807c335cf3134d1281228a061056aaf52bPan-Junyu/LaBraM-at-Scale @ a0b0ce27 · molecule/molecule-large.safetensorsaa590160283a5ba5a081ee89f1535f1ade584ffc27455d409ab277be3b4ac8d0它们的单元格、Quark 序列与 Quark-G 这一级见「预训练对 LaBraM、CBraMod 这类 EEG 基础模型有帮助吗？」；每个单元格也在各自的协议页面上。
条款：代码与权重均为 MIT 许可，无需申请（Pan-Junyu/LaBraM-at-Scale @ a0b0ce27；代码 AlbertMentat/LaBraM-at-Scale @ faa387d9）。请引用 arXiv 2611.03165，架构请同时引用 LaBraM（arXiv 2405.18765）。不分发任何权重。
foundation-checkpoints-update.json · foundation-checkpoints-update-20261106
BCI Report. LaBraM：在公开 EEG 数据集上的结果[EB/OL]. (2026-11-06). https://bci.report/zh/methods/labram/
数字来自发布 foundation-checkpoints-update-20261106（2026-11-06）、reliable-decisions-update-20261004（2026-10-04）、adaptation-update-20261001（2026-10-01）、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）