xDAWN+LDA and XDAWNCov+TS+LR：在公开 EEG 数据集上的结果

经典方法

xDAWN+LDA and XDAWNCov+TS+LR：在公开 EEG 数据集上的结果

xDAWN 是 Rivet、Souloumiac、Attina 和 Gibert 提出的空间滤波器（IEEE Transactions on Biomedical Engineering，2009），用来在持续的 EEG 背景中增强 P300 这类诱发响应。本站通过 pyRiemann 以固定设置（4 个滤波器，OAS 协方差估计）运行两种以它为基础的解码器：xDAWN+LDA，把滤波后的时间窗展平，用收缩线性判别分析分类；以及 XDAWNCov+TS+LR，构造 xDAWN 增广的协方差矩阵（Barachant 和 Congedo，2014），映射到切空间后拟合逻辑回归。设置沿用 MOABB 参考流程（xDAWN_LDA.yml，分类头为收缩 LDA；XdawnCov_TS_SVM.yml，其中的 SVM 换成逻辑回归分类头）。

测量所用数据集：ds006593、TMNRED / ds005383 · 协议：P300 目标 ERP、语义目标 ERP

又称 xDAWN · XDAWNCov · xDAWN+LDA · XDAWNCov+TS+LR · Rivet et al. 2009

参考文献 Rivet B, Souloumiac A, Attina V, Gibert G. xDAWN algorithm to enhance evoked potentials: application to brain–computer interface. IEEE Transactions on Biomedical Engineering 56(8):2035–2043, 2009. ↗

官方代码 ↗ · 简介来源 doi.org · arxiv.org · github.com · github.com

已发布的结果

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。

ds006593 · 核心矩阵 · P300 目标 ERP

来源页面：核心矩阵协议：P300 目标 ERP · 随机水平 50.0% · core-matrix-20261106-p300-target.csv

XDAWNCov+TS+LR · 4 个滤波器 · 50 Hz

61.9% (58.8%–65.0%)

xDAWN+LDA · 4 个滤波器 · 50 Hz

60.4% (57.7%–63.2%)

平衡准确率，2 个配置。 点为估计值，横线为 95% 区间，虚线（如有）为随机水平。

方法	条件	指标	数值	被试
XDAWNCov+TS+LR · 4 个滤波器 · 50 Hz	Visual target versus nontarget events	平衡准确率	61.9%58.8%–65.0%主要行 · 一种固定配置（MOABB 参考设置）	21
xDAWN+LDA · 4 个滤波器 · 50 Hz	Visual target versus nontarget events	平衡准确率	60.4%57.7%–63.2%次要行 · 一种固定配置（MOABB 参考设置）	21

TMNRED / ds005383 · 核心矩阵 · 语义目标 ERP

来源页面：核心矩阵协议：语义目标 ERP · 随机水平 50.0% · core-matrix-20261106-semantic-target.csv

XDAWNCov+TS+LR · 4 个滤波器 · 50 Hz

60.3% (58.2%–62.6%)

xDAWN+LDA · 4 个滤波器 · 50 Hz

56.8% (55.1%–58.6%)

平衡准确率，2 个配置。 点为估计值，横线为 95% 区间，虚线（如有）为随机水平。

方法	条件	指标	数值	被试
XDAWNCov+TS+LR · 4 个滤波器 · 50 Hz	Reading · target versus nontarget events	平衡准确率	60.3%58.2%–62.6%主要行 · 一种固定配置（MOABB 参考设置）	30
xDAWN+LDA · 4 个滤波器 · 50 Hz	Reading · target versus nontarget events	平衡准确率	56.8%55.1%–58.6%次要行 · 一种固定配置（MOABB 参考设置）	30

全部方法 → · 全部数据集 →

核心矩阵

核心矩阵中的各行：方案与配对差值

发布：core-matrix-update-20261106

这些行的运行方式

方法	方案	MOABB 参考流水线	实现	代码许可
XDAWNCov+TS+LR有监督拟合	4 个滤波器 · 50 Hz	MOABB XdawnCov_TS_SVM.yml，其中 SVM 及其网格被 TS+LR 头替换	pyRiemann 0.12（wheel SHA-256 74a90b2ef0938c94fe9bf90b6506991fc19da55850aae5fdf992026b3845d43a）与 scikit-learn	BSD-3-Clause
xDAWN+LDA有监督拟合	4 个滤波器 · 50 Hz	MOABB xDAWN_LDA.yml，使用收缩 LDA（lsqr，Ledoit–Wolf）	pyRiemann 0.12（wheel SHA-256 74a90b2ef0938c94fe9bf90b6506991fc19da55850aae5fdf992026b3845d43a）与 scikit-learn	BSD-3-Clause

每种方法一种固定配置：库或 MOABB 参考的设置，偏离之处另行说明。4–40 Hz 带通（ERP 协议上为去均值加 50 Hz 降采样）是配方的一部分，并对每个时间窗单独应用。

敏感性分析行

同一方法换用其他输入滤波的结果，单独标注；它们不是矩阵中的行。

XDAWNCov+TS+LR · 4 个滤波器 · raw · P300 目标 ERP：60.7%（57.7%–63.6%），宏 F1 0.602，21 名被试
xDAWN+LDA · 4 个滤波器 · raw · P300 目标 ERP：58.9%（56.3%–61.5%），宏 F1 0.586，21 名被试
XDAWNCov+TS+LR · 4 个滤波器 · raw · 语义目标 ERP：60.2%（57.8%–62.8%），宏 F1 0.589，30 名被试
xDAWN+LDA · 4 个滤波器 · raw · 语义目标 ERP：54.6%（52.9%–56.4%），宏 F1 0.542，30 名被试

配对差值

每个差值是在同一批时间窗与被试上，每名被试平衡准确率之差在被试间的均值，单位为百分点（pp）。

配对被试 bootstrap（10,000 次抽样）。对照 Spectral ridge 单元格的四项对比使用 98.75 % 区间（四项上的 Bonferroni 校正）；其余对比使用名义 95 % 区间，不作整体性断言。「更高」或「更低」指区间整个落在零之上或之下；「无法判定」指区间包含零。

主要对比（对照 Spectral ridge 单元格），旁附对照 Temporal ridge 的差值

差值	均值（pp）	区间	95% 区间，未校正	判读
XDAWNCov+TS+LR − Spectral ridgeP300 目标 ERPXDAWNCov+TS+LR · 4 个滤波器 · 50 Hz	+11.0 pp	6.8 至 15.198.75% 区间，按四项对比做 Bonferroni 校正	7.7 至 14.2	更高
XDAWNCov+TS+LR − Temporal ridgeP300 目标 ERPXDAWNCov+TS+LR · 4 个滤波器 · 50 Hz	+8.1 pp	5.3 至 11.1名义 95% 区间	—	更高
XDAWNCov+TS+LR − Spectral ridge语义目标 ERPXDAWNCov+TS+LR · 4 个滤波器 · 50 Hz	+9.3 pp	6.1 至 12.898.75% 区间，按四项对比做 Bonferroni 校正	6.7 至 12.0	更高
XDAWNCov+TS+LR − Temporal ridge语义目标 ERPXDAWNCov+TS+LR · 4 个滤波器 · 50 Hz	+3.9 pp	2.0 至 5.9名义 95% 区间	—	更高

对照 EEGNet

对照为矩阵中单种子的 EEGNet 单元格；未包含训练方差
差值	均值（pp）	名义 95% 区间	判读
XDAWNCov+TS+LR − EEGNetP300 目标 ERPXDAWNCov+TS+LR · 4 个滤波器 · 50 Hz	+8.6 pp	5.2 至 12.0	更高
xDAWN+LDA − EEGNetP300 目标 ERPxDAWN+LDA · 4 个滤波器 · 50 Hz	+7.1 pp	4.3 至 10.0	更高
XDAWNCov+TS+LR − EEGNet语义目标 ERPXDAWNCov+TS+LR · 4 个滤波器 · 50 Hz	−1.2 pp	−3.0 至 0.6	无法判定
xDAWN+LDA − EEGNet语义目标 ERPxDAWN+LDA · 4 个滤波器 · 50 Hz	−4.6 pp	−6.5 至 −2.7	更低

次要行对照 Spectral ridge 单元格

差值	均值（pp）	名义 95% 区间	判读
xDAWN+LDA − Spectral ridgeP300 目标 ERPxDAWN+LDA · 4 个滤波器 · 50 Hz	+9.5 pp	6.5 至 12.4	更高
xDAWN+LDA − Spectral ridge语义目标 ERPxDAWN+LDA · 4 个滤波器 · 50 Hz	+5.8 pp	4.0 至 7.8	更高

对照 Temporal ridge 单元格

差值	均值（pp）	名义 95% 区间	判读
xDAWN+LDA − Temporal ridgeP300 目标 ERPxDAWN+LDA · 4 个滤波器 · 50 Hz	+6.6 pp	3.7 至 9.8	更高
xDAWN+LDA − Temporal ridge语义目标 ERPxDAWN+LDA · 4 个滤波器 · 50 Hz	+0.5 pp	−1.2 至 2.1	无法判定

对照冻结编码器 LaBraM 与 CBraMod

差值	均值（pp）	名义 95% 区间	判读
XDAWNCov+TS+LR − LaBraMP300 目标 ERPXDAWNCov+TS+LR · 4 个滤波器 · 50 Hz	+12.5 pp	8.7 至 16.3	更高
XDAWNCov+TS+LR − CBraModP300 目标 ERPXDAWNCov+TS+LR · 4 个滤波器 · 50 Hz	+6.9 pp	4.4 至 9.6	更高
XDAWNCov+TS+LR − LaBraM语义目标 ERPXDAWNCov+TS+LR · 4 个滤波器 · 50 Hz	+7.1 pp	4.8 至 9.4	更高
XDAWNCov+TS+LR − CBraMod语义目标 ERPXDAWNCov+TS+LR · 4 个滤波器 · 50 Hz	+4.5 pp	2.5 至 6.4	更高

这些配对只使用矩阵中的 LaBraM 与 CBraMod 行（冻结编码器 + 岭回归头）。

方案分支：同一方法、不同的输入滤波

差值	均值（pp）	名义 95% 区间	判读
XDAWNCov+TS+LR · 4 个滤波器 · 50 Hz − XDAWNCov+TS+LR · 4 个滤波器 · rawP300 目标 ERP	+1.2 pp	−1.2 至 3.7	无法判定
xDAWN+LDA · 4 个滤波器 · 50 Hz − xDAWN+LDA · 4 个滤波器 · rawP300 目标 ERP	+1.5 pp	−0.1 至 2.9	无法判定
XDAWNCov+TS+LR · 4 个滤波器 · 50 Hz − XDAWNCov+TS+LR · 4 个滤波器 · raw语义目标 ERP	+0.1 pp	−1.3 至 1.3	无法判定在零上下两 pp 以内，符号未定
xDAWN+LDA · 4 个滤波器 · 50 Hz − xDAWN+LDA · 4 个滤波器 · raw语义目标 ERP	+2.2 pp	0.6 至 3.9	更高

方法族内：主要行对照次要行

差值	均值（pp）	名义 95% 区间	判读
XDAWNCov+TS+LR − xDAWN+LDAP300 目标 ERPXDAWNCov+TS+LR · 4 个滤波器 · 50 Hz	+1.5 pp	−0.9 至 3.7	无法判定
XDAWNCov+TS+LR − xDAWN+LDA语义目标 ERPXDAWNCov+TS+LR · 4 个滤波器 · 50 Hz	+3.5 pp	1.8 至 5.3	更高

引用与署名

Rivet, Souloumiac, Attina and Gibert. xDAWN algorithm to enhance evoked potentials: application to brain–computer interface. IEEE Transactions on Biomedical Engineering 56(8), 2009. doi ↗
Barachant and Congedo. A Plug&Play P300 BCI using information geometry. arXiv:1409.0107, 2014.
Barachant, Bonnet, Congedo and Jutten. Multiclass brain–computer interface classification by Riemannian geometry. IEEE Transactions on Biomedical Engineering 59(4), 2012. doi ↗
Chen, Wiesel, Eldar and Hero. Shrinkage algorithms for MMSE covariance estimation. IEEE Transactions on Signal Processing 58(10), 2010. doi ↗
Jayaram and Barachant. MOABB: trustworthy algorithm benchmarking for BCIs. Journal of Neural Engineering 15(6), 2018. doi ↗
Ledoit and Wolf. A well-conditioned estimator for large-dimensional covariance matrices. Journal of Multivariate Analysis 88(2), 2004. doi ↗

引用本页

BCI Report. xDAWN+LDA and XDAWNCov+TS+LR：在公开 EEG 数据集上的结果[EB/OL]. (2026-11-06). https://bci.report/zh/methods/xdawn/

数字来自发布 core-matrix-update-20261106（2026-11-06）、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）