SingLEM：在公开 EEG 数据集上的结果

基础模型

SingLEM：在公开 EEG 数据集上的结果

SingLEM 是单通道 EEG 基础模型：分词器单独编码每个通道。论文列出了 71 个公开预训练数据集，其中包括 TMNRED，所以它在语义目标协议上的单元格标为“在作者的预训练清单中”。本站把主检查点（排除了作者自己下游来源的那一个）冻结运行，并在 EEGMAT 上做了适配。它的分词器看不到每个 2 秒片段的最后 0.25 秒。

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 ttlabtuat/SingLEM

参考文献 SingLEM, arXiv:2509.17920 ↗

目录状态：已评测 · 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
SingLEM	冻结编码器 + 岭回归分类头	平衡准确率	72.0%66.6%–76.6%	10

权重条款：SingLEM 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 →

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
SingLEM	冻结编码器 + 岭回归分类头	平衡准确率	51.5%49.2%–53.8%	36

权重条款：SingLEM 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 →

EEGMAT · 模型适配（第九轮）· 新被试、同一任务、一个固定方案（不是排名）

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-update.json

SingLEM · 冻结编码器 + 训练的分类头

50.9% (49.5%–52.3%)

SingLEM · 秩为 4 的 LoRA + 分类头

60.6% (56.7%–64.4%)

平衡准确率，2 个配置。 点为估计值，横线为 95% 区间，虚线为随机水平（发布数据中有记录时）。

方法	条件	指标	数值	被试
SingLEM	冻结编码器 + 训练的分类头	平衡准确率	50.9%49.5%–52.3%1,218 个可训练参数。	36
SingLEM	秩为 4 的 LoRA + 分类头	平衡准确率	60.6%56.7%–64.4%33,986 个可训练参数。	36
SingLEM	LoRA 减冻结 + 分类头，相同被试与折	配对差值（百分点）	+9.7 pp+6.1 pp–+13.3 pp30 人提升、6 人变差、0 人不变。区间不含零。	36

权重条款：SingLEM 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 →

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
SingLEM	冻结编码器 + 岭回归分类头	平衡准确率	26.6%23.7%–29.5%	70

权重条款：SingLEM 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 →

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
SingLEM	冻结编码器 + 岭回归分类头	平衡准确率	20.5%17.8%–23.3%	70

权重条款：SingLEM 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 →

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
SingLEM	冻结编码器 + 岭回归分类头	平衡准确率	51.2%49.2%–53.1%	21

权重条款：SingLEM 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 →

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
SingLEM	冻结编码器 + 岭回归分类头	平衡准确率	58.5%56.1%–61.1%是否出现在预训练数据中：在作者公开的预训练数据清单中。	30

权重条款：SingLEM 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 →

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
SingLEM	冻结编码器 + 岭回归分类头	平衡准确率	35.3%33.7%–37.0%	20

权重条款：SingLEM 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 →

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
SingLEM	冻结编码器 + 线性分类头	检出的指令 ≤3 秒	6 / 602 名始终拒识（共 4 名被试）。	4
SingLEM	冻结编码器 + 线性分类头	空闲误触发	5 / 60	4

权重条款：SingLEM 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 →

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。

SingLEM

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: 3.27M
版本: ttlabtuat/SingLEM @ 6db5b5af
检查点 SHA-256: cb4c1b4f4a6fae99a984b883177e09b8c2fe44ed0d4c9a0ded3928dc425584bb
论文: 论文 ↗
权重许可: MIT（检查点提交在采用 MIT 许可的仓库中）MIT (checkpoint committed in the MIT repository)
许可说明: MIT。
权利审查: 检查点提交在采用 MIT 许可的仓库中；只发布聚合分数。Checkpoint committed in the MIT repository; aggregate scores only.
各行脚注: semantic-target 的数据出现在预训练数据中（TMNRED 在 SingLEM 的预训练语料里）。每个通道单独编码；每个 2 秒片段的最后 0.25 秒，分词器看不到。semantic-target is pretraining-exposed (TMNRED is in the SingLEM corpus). Each channel is encoded independently; the last 0.25 s of each 2 s segment is not seen by the tokenizer.
说明: SingLEM 的分词器（128 Hz 下每个 token 128 个采样点，步长 96）看不到每个 2 秒片段的最后 0.25 秒。SingLEM tokenizer (128-sample tokens, stride 96 at 128 Hz) leaves the last 0.25 s of every 2 s segment unseen.
EEGMAT 适配: 已运行：在冻结编码器上训练分类头，对比秩为 4 的 LoRA，3 个随机种子。

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 ↗
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	在作者公开的预训练数据清单中	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 ↗
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.

引用本页

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

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）