BCI Report
English中文

基础模型

ST-EEGFormer：在公开 EEG 数据集上的结果

ST-EEGFormer 是一个预训练的 EEG Transformer，发布了 small、base 与 large 三种规模。论文附录列出了 11 个公开预训练数据集（其中包括 BETA），外加作者自己实验室的记录，所以它在两个 BETA 协议上的单元格都标为“在作者的预训练清单中”。本站把 Base 与 Large 冻结运行，并在 EEGMAT 上适配了 Base。它的 README 保留论文、示意图与名称的权利，本站均未复制。

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 ST-EEGFormer Base · ST-EEGFormer Large · STEEGFormer

参考文献 ST-EEGFormer, OpenReview 5Xwm8e6vbh ↗

目录状态：已评测 · 官方代码 ↗ · 简介来源 openreview.net · 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

ST-EEGFormer Base
58.1% (53.7%–63.3%)
ST-EEGFormer Large
62.4% (57.4%–67.8%)
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
ST-EEGFormer Base冻结编码器 + 岭回归分类头平衡准确率58.1%53.7%–63.3%10
ST-EEGFormer Large冻结编码器 + 岭回归分类头平衡准确率62.4%57.4%–67.8%10

权重条款：ST-EEGFormer 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

ST-EEGFormer Base
64.5% (59.0%–70.0%)
ST-EEGFormer Large
63.4% (57.8%–69.0%)
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
ST-EEGFormer Base冻结编码器 + 岭回归分类头平衡准确率64.5%59.0%–70.0%36
ST-EEGFormer Large冻结编码器 + 岭回归分类头平衡准确率63.4%57.8%–69.0%36

权重条款：ST-EEGFormer 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

ST-EEGFormer Base · 冻结编码器 + 训练的分类头
63.2% (59.7%–66.7%)
ST-EEGFormer Base · 秩为 4 的 LoRA + 分类头
65.1% (61.0%–69.4%)
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
ST-EEGFormer Base冻结编码器 + 训练的分类头平衡准确率63.2%59.7%–66.7%1,538 个可训练参数。36
ST-EEGFormer Base秩为 4 的 LoRA + 分类头平衡准确率65.1%61.0%–69.4%148,994 个可训练参数。36
ST-EEGFormer BaseLoRA 减冻结 + 分类头，相同被试与折配对差值（百分点）+1.9 pp−0.2 pp–+4.1 pp20 人提升、16 人变差、0 人不变。区间包含零：不能认定有变化。36

权重条款：ST-EEGFormer 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

ST-EEGFormer Base
17.1% (15.5%–18.8%)
ST-EEGFormer Large
22.6% (20.1%–25.3%)
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
ST-EEGFormer Base冻结编码器 + 岭回归分类头平衡准确率17.1%15.5%–18.8%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。70
ST-EEGFormer Large冻结编码器 + 岭回归分类头平衡准确率22.6%20.1%–25.3%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。70

权重条款：ST-EEGFormer 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

ST-EEGFormer Base
17.5% (15.8%–19.3%)
ST-EEGFormer Large
22.4% (19.9%–25.0%)
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
ST-EEGFormer Base冻结编码器 + 岭回归分类头平衡准确率17.5%15.8%–19.3%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。70
ST-EEGFormer Large冻结编码器 + 岭回归分类头平衡准确率22.4%19.9%–25.0%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。70

权重条款：ST-EEGFormer 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

ST-EEGFormer Base
53.6% (52.3%–54.8%)
ST-EEGFormer Large
52.7% (51.3%–54.2%)
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
ST-EEGFormer Base冻结编码器 + 岭回归分类头平衡准确率53.6%52.3%–54.8%21
ST-EEGFormer Large冻结编码器 + 岭回归分类头平衡准确率52.7%51.3%–54.2%21

权重条款：ST-EEGFormer 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

ST-EEGFormer Base
54.6% (52.9%–56.4%)
ST-EEGFormer Large
57.8% (56.0%–59.6%)
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
ST-EEGFormer Base冻结编码器 + 岭回归分类头平衡准确率54.6%52.9%–56.4%30
ST-EEGFormer Large冻结编码器 + 岭回归分类头平衡准确率57.8%56.0%–59.6%30

权重条款：ST-EEGFormer 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

ST-EEGFormer Base
77.3% (75.6%–78.8%)
ST-EEGFormer Large
79.6% (78.2%–81.0%)
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
ST-EEGFormer Base冻结编码器 + 岭回归分类头平衡准确率77.3%75.6%–78.8%20
ST-EEGFormer Large冻结编码器 + 岭回归分类头平衡准确率79.6%78.2%–81.0%20

权重条款：ST-EEGFormer 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
ST-EEGFormer Base冻结编码器 + 线性分类头检出的指令 ≤3 秒16 / 601 名始终拒识（共 4 名被试）。4
ST-EEGFormer Base冻结编码器 + 线性分类头空闲误触发1 / 604
ST-EEGFormer Large冻结编码器 + 线性分类头检出的指令 ≤3 秒20 / 601 名始终拒识（共 4 名被试）。4
ST-EEGFormer Large冻结编码器 + 线性分类头空闲误触发1 / 604

权重条款：ST-EEGFormer 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。

ST-EEGFormer 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
85.18M
版本
official GitHub release checkpoint-288.pth (code @ 542ee17)
检查点 SHA-256
3c04469072b1e2acf9333ee48ee1002f2db42f46ffb0daab6269686ebc6fe6c1
论文
论文 ↗
权重许可
MIT（仓库的 LICENSE；README 保留论文、示意图与名称的权利）MIT (repo LICENSE; README reserves the paper, diagrams and the name)
许可说明
MIT（仓库的 LICENSE；README 保留论文、示意图与 ST-EEGFormer 名称的权利）。MIT (repository LICENSE; the README reserves the paper, diagrams and the ST-EEGFormer name).
权利审查
仓库采用 MIT 许可；其 README 保留论文、示意图与 ST-EEGFormer 名称的权利，本站均未复制。只发布聚合分数。MIT repository licence; its README reserves the paper, the diagrams and the ST-EEGFormer name, none of which is reproduced. Aggregate scores only.
各行脚注
BETA 的单元格：数据出现在预训练数据中（BETA 在 ST-EEGFormer 的预训练语料里）。BETA cells are pretraining-exposed (BETA is in the ST-EEGFormer corpus).
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。

ST-EEGFormer Large

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
303.00M
版本
official GitHub release large_weights_only_196.pth
检查点 SHA-256
7b2ed01dec88938ea0a8aba5621eab283bb61ec12b88c6475722fffae8afda83
论文
论文 ↗
权重许可
MIT（同 Base）MIT (as Base)
权利审查
仓库采用 MIT 许可；其 README 保留论文、示意图与 ST-EEGFormer 名称的权利，本站均未复制。只发布聚合分数。MIT repository licence; its README reserves the paper, the diagrams and the ST-EEGFormer name, none of which is reproduced. Aggregate scores only.
各行脚注
BETA 的单元格：数据出现在预训练数据中。这里使用作者的下游类（时间索引从 1 开始）；Large 预训练时用的可能是从 0 开始的索引。只做冻结探针。BETA cells are pretraining-exposed. The authors' downstream class (1-based temporal index) was used; Large may have been pretrained with a 0-based index. Frozen probes only.
说明
ST-EEGFormer Large 使用作者的下游类（时间索引从 1 开始）；一项不用标签的重建检查显示，Large 预训练时用的可能是从 0 开始的索引，所以它的时间正弦编码可能错开一个位置。ST-EEGFormer Large uses the authors' downstream class (1-based temporal index); a label-free reconstruction check suggests Large was pretrained with a 0-based index, so its temporal sinusoid may be shifted by one position.
EEGMAT 适配
按设计未运行：ST-EEGFormer Large 只做冻结探针not run by design: ST-EEGFormer Large is frozen probes only

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。

ST-EEGFormer Base · ST-EEGFormer Large

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 通道在作者公开的预训练数据清单中来源 ↗ · 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 ↗

核查说明： ST-EEGFormer 的实验室内部数据没有详细描述；那是作者自己实验室的记录，所以不可能是这七个第三方数据集中的任何一个。ST-EEGFormer's in-house data is not described in detail; it is the authors' own lab recordings, so it cannot be any of the seven third-party datasets.

引用本页

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

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）