# ST-EEGFormer：在公开 EEG 数据集上的结果 基础模型 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](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** ST-EEGFormer Base · ST-EEGFormer Large · STEEGFormer **参考文献** [ST-EEGFormer, OpenReview 5Xwm8e6vbh ↗](https://openreview.net/forum?id=5Xwm8e6vbh) 目录状态：已评测 · [官方代码 ↗](https://github.com/LiuyinYang1101/STEEGFormer) · 简介来源 [openreview.net](https://openreview.net/forum?id=5Xwm8e6vbh) · [github.com](https://github.com/LiuyinYang1101/STEEGFormer) ## 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](https://bci.report/zh/datasets/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](https://bci.report/zh/protocols/mi-rest/#foundation-v9) · 随机水平 50.0% · [foundation-models-mi-rest.csv](https://bci.report/data/foundation-models-mi-rest.csv) **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）。 - ST-EEGFormer Base: 58.1% (53.7%–63.3%) - ST-EEGFormer Large: 62.4% (57.4%–67.8%) | 方法 | 条件 | 指标 | 数值 | 被试 | | --- | --- | --- | --- | --- | | [ST-EEGFormer Base](https://bci.report/zh/methods/st-eegformer/) | 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](https://bci.report/zh/methods/st-eegformer/) | 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 →](https://bci.report/zh/protocols/mi-rest/#v9-licences) ### [EEGMAT](https://bci.report/zh/datasets/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](https://bci.report/zh/protocols/arithmetic-rest/#foundation-v9) · 随机水平 50.0% · [foundation-models-arithmetic-rest.csv](https://bci.report/data/foundation-models-arithmetic-rest.csv) **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）。 - ST-EEGFormer Base: 64.5% (59.0%–70.0%) - ST-EEGFormer Large: 63.4% (57.8%–69.0%) | 方法 | 条件 | 指标 | 数值 | 被试 | | --- | --- | --- | --- | --- | | [ST-EEGFormer Base](https://bci.report/zh/methods/st-eegformer/) | 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](https://bci.report/zh/methods/st-eegformer/) | 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 →](https://bci.report/zh/protocols/arithmetic-rest/#v9-licences) ### [EEGMAT](https://bci.report/zh/datasets/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](https://bci.report/zh/protocols/arithmetic-rest/#v9-adaptation) · 随机水平 50.0% · [foundation-models-update.json](https://bci.report/data/foundation-models-update.json) **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）。 - 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%) | 方法 | 条件 | 指标 | 数值 | 被试 | | --- | --- | --- | --- | --- | | [ST-EEGFormer Base](https://bci.report/zh/methods/st-eegformer/) | 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](https://bci.report/zh/methods/st-eegformer/) | 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 Base](https://bci.report/zh/methods/st-eegformer/) | LoRA 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 pp) — 20 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 →](https://bci.report/zh/protocols/arithmetic-rest/#v9-licences) ### [BETA](https://bci.report/zh/datasets/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](https://bci.report/zh/protocols/beta-8ch/#foundation-v9) · 随机水平 2.5% · [foundation-models-beta-8ch.csv](https://bci.report/data/foundation-models-beta-8ch.csv) **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）。 - ST-EEGFormer Base: 17.1% (15.5%–18.8%) - ST-EEGFormer Large: 22.6% (20.1%–25.3%) | 方法 | 条件 | 指标 | 数值 | 被试 | | --- | --- | --- | --- | --- | | [ST-EEGFormer Base](https://bci.report/zh/methods/st-eegformer/) | 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](https://bci.report/zh/methods/st-eegformer/) | 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 →](https://bci.report/zh/protocols/beta-8ch/#v9-licences) ### [BETA](https://bci.report/zh/datasets/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](https://bci.report/zh/protocols/beta-4ch/#foundation-v9) · 随机水平 2.5% · [foundation-models-beta-4ch.csv](https://bci.report/data/foundation-models-beta-4ch.csv) **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）。 - ST-EEGFormer Base: 17.5% (15.8%–19.3%) - ST-EEGFormer Large: 22.4% (19.9%–25.0%) | 方法 | 条件 | 指标 | 数值 | 被试 | | --- | --- | --- | --- | --- | | [ST-EEGFormer Base](https://bci.report/zh/methods/st-eegformer/) | 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](https://bci.report/zh/methods/st-eegformer/) | 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 →](https://bci.report/zh/protocols/beta-4ch/#v9-licences) ### [ds006593](https://bci.report/zh/datasets/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](https://bci.report/zh/protocols/p300-target/#foundation-v9) · 随机水平 50.0% · [foundation-models-p300-target.csv](https://bci.report/data/foundation-models-p300-target.csv) **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）。 - ST-EEGFormer Base: 53.6% (52.3%–54.8%) - ST-EEGFormer Large: 52.7% (51.3%–54.2%) | 方法 | 条件 | 指标 | 数值 | 被试 | | --- | --- | --- | --- | --- | | [ST-EEGFormer Base](https://bci.report/zh/methods/st-eegformer/) | 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](https://bci.report/zh/methods/st-eegformer/) | 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 →](https://bci.report/zh/protocols/p300-target/#v9-licences) ### [TMNRED / ds005383](https://bci.report/zh/datasets/tmnred/) · 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](https://bci.report/zh/protocols/semantic-target/#foundation-v9) · 随机水平 50.0% · [foundation-models-semantic-target.csv](https://bci.report/data/foundation-models-semantic-target.csv) **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）。 - ST-EEGFormer Base: 54.6% (52.9%–56.4%) - ST-EEGFormer Large: 57.8% (56.0%–59.6%) | 方法 | 条件 | 指标 | 数值 | 被试 | | --- | --- | --- | --- | --- | | [ST-EEGFormer Base](https://bci.report/zh/methods/st-eegformer/) | 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](https://bci.report/zh/methods/st-eegformer/) | 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 →](https://bci.report/zh/protocols/semantic-target/#v9-licences) ### [EESM19 scalp subset](https://bci.report/zh/datasets/eesm19/) · 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](https://bci.report/zh/protocols/sleep-scalp/#foundation-v9) · 随机水平 20.0% · [foundation-models-sleep-scalp.csv](https://bci.report/data/foundation-models-sleep-scalp.csv) **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）。 - ST-EEGFormer Base: 77.3% (75.6%–78.8%) - ST-EEGFormer Large: 79.6% (78.2%–81.0%) | 方法 | 条件 | 指标 | 数值 | 被试 | | --- | --- | --- | --- | --- | | [ST-EEGFormer Base](https://bci.report/zh/methods/st-eegformer/) | 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](https://bci.report/zh/methods/st-eegformer/) | 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 →](https://bci.report/zh/protocols/sleep-scalp/#v9-licences) ### [ds005342](https://bci.report/zh/datasets/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](https://bci.report/zh/protocols/idle/#foundation-v9) · [foundation-models-idle.csv](https://bci.report/data/foundation-models-idle.csv) | 方法 | 条件 | 指标 | 数值 | 被试 | | --- | --- | --- | --- | --- | | [ST-EEGFormer Base](https://bci.report/zh/methods/st-eegformer/) | 冻结编码器 + 线性分类头 | 检出的指令 ≤3 秒 | 16 / 60 — 1 名始终拒识（共 4 名被试）。 | 4 | | [ST-EEGFormer Base](https://bci.report/zh/methods/st-eegformer/) | 冻结编码器 + 线性分类头 | 空闲误触发 | 1 / 60 | 4 | | [ST-EEGFormer Large](https://bci.report/zh/methods/st-eegformer/) | 冻结编码器 + 线性分类头 | 检出的指令 ≤3 秒 | 20 / 60 — 1 名始终拒识（共 4 名被试）。 | 4 | | [ST-EEGFormer Large](https://bci.report/zh/methods/st-eegformer/) | 冻结编码器 + 线性分类头 | 空闲误触发 | 1 / 60 | 4 | 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 →](https://bci.report/zh/protocols/idle/#v9-licences) [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 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 ↗](https://openreview.net/forum?id=5Xwm8e6vbh) - 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 ↗](https://openreview.net/forum?id=5Xwm8e6vbh) - 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.)](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（2026-10-04 核查） | [来源 ↗](https://web.archive.org/web/20260609032700/https://openreview.net/pdf?id=5Xwm8e6vbh) · [来源 ↗](https://github.com/LiuyinYang1101/STEEGFormer) | | [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（2026-10-04 核查） | [来源 ↗](https://web.archive.org/web/20260609032700/https://openreview.net/pdf?id=5Xwm8e6vbh) · [来源 ↗](https://github.com/LiuyinYang1101/STEEGFormer) | | [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（2026-10-04 核查） | [来源 ↗](https://web.archive.org/web/20260609032700/https://openreview.net/pdf?id=5Xwm8e6vbh) · [来源 ↗](https://github.com/LiuyinYang1101/STEEGFormer) | | [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（2026-10-04 核查） | [来源 ↗](https://web.archive.org/web/20260609032700/https://openreview.net/pdf?id=5Xwm8e6vbh) · [来源 ↗](https://github.com/LiuyinYang1101/STEEGFormer) | | [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（2026-10-04 核查） | [来源 ↗](https://web.archive.org/web/20260609032700/https://openreview.net/pdf?id=5Xwm8e6vbh) · [来源 ↗](https://github.com/LiuyinYang1101/STEEGFormer) | | [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/) | 在作者公开的预训练数据清单中 | [来源 ↗](https://web.archive.org/web/20260609032700/https://openreview.net/pdf?id=5Xwm8e6vbh) · [来源 ↗](https://openreview.net/forum?id=5Xwm8e6vbh) | | [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（2026-10-04 核查） | [来源 ↗](https://web.archive.org/web/20260609032700/https://openreview.net/pdf?id=5Xwm8e6vbh) · [来源 ↗](https://github.com/LiuyinYang1101/STEEGFormer) | **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`](https://bci.report/zh/releases/#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](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/st-eegformer/ 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）。