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

经典方法

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](https://bci.report/zh/datasets/ds006593/)、[TMNRED / ds005383](https://bci.report/zh/datasets/tmnred/) · 协议： [P300 目标 ERP](https://bci.report/zh/protocols/p300-target/)、[语义目标 ERP](https://bci.report/zh/protocols/semantic-target/)

**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. ↗](https://doi.org/10.1109/TBME.2009.2012869)

[官方代码 ↗](https://github.com/pyRiemann/pyRiemann) · 简介来源 [doi.org](https://doi.org/10.1109/TBME.2009.2012869) · [arxiv.org](https://arxiv.org/abs/1409.0107) · [github.com](https://github.com/pyRiemann/pyRiemann) · [github.com](https://github.com/NeuroTechX/moabb)

## 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](https://bci.report/zh/datasets/ds006593/) · 核心矩阵 · P300 目标 ERP

来源页面：[核心矩阵协议：P300 目标 ERP](https://bci.report/zh/protocols/p300-target/) · 随机水平 50.0% · [core-matrix-20261106-p300-target.csv](https://bci.report/data/core-matrix-20261106-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（如有）为随机水平。

- 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%)

| 方法 | 条件 | 指标 | 数值 | 被试 |
| --- | --- | --- | --- | --- |
| [XDAWNCov+TS+LR · 4 个滤波器 · 50 Hz](https://bci.report/zh/methods/xdawn/) | 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](https://bci.report/zh/methods/xdawn/) | 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](https://bci.report/zh/datasets/tmnred/) · 核心矩阵 · 语义目标 ERP

来源页面：[核心矩阵协议：语义目标 ERP](https://bci.report/zh/protocols/semantic-target/) · 随机水平 50.0% · [core-matrix-20261106-semantic-target.csv](https://bci.report/data/core-matrix-20261106-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（如有）为随机水平。

- 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%)

| 方法 | 条件 | 指标 | 数值 | 被试 |
| --- | --- | --- | --- | --- |
| [XDAWNCov+TS+LR · 4 个滤波器 · 50 Hz](https://bci.report/zh/methods/xdawn/) | 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](https://bci.report/zh/methods/xdawn/) | 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 →](https://bci.report/zh/methods/) · [全部数据集 →](https://bci.report/zh/datasets/)

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`](https://bci.report/zh/releases/#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](https://bci.report/zh/protocols/p300-target/)：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](https://bci.report/zh/protocols/p300-target/)：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](https://bci.report/zh/protocols/semantic-target/)：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](https://bci.report/zh/protocols/semantic-target/)：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 ridge — P300 目标 ERP — XDAWNCov+TS+LR · 4 个滤波器 · 50 Hz | +11.0 pp | 6.8 至 15.1 — 98.75% 区间，按四项对比做 Bonferroni 校正 | 7.7 至 14.2 | 更高 |
| XDAWNCov+TS+LR − Temporal ridge — P300 目标 ERP — XDAWNCov+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 ERP — XDAWNCov+TS+LR · 4 个滤波器 · 50 Hz | +9.3 pp | 6.1 至 12.8 — 98.75% 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 ERP — XDAWNCov+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 − EEGNet — P300 目标 ERP — XDAWNCov+TS+LR · 4 个滤波器 · 50 Hz | +8.6 pp | 5.2 至 12.0 | 更高 |
| xDAWN+LDA − EEGNet — P300 目标 ERP — xDAWN+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 ERP — XDAWNCov+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 ERP — xDAWN+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 ridge — P300 目标 ERP — xDAWN+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 ERP — xDAWN+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 ridge — P300 目标 ERP — xDAWN+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 ERP — xDAWN+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 − LaBraM — P300 目标 ERP — XDAWNCov+TS+LR · 4 个滤波器 · 50 Hz | +12.5 pp | 8.7 至 16.3 | 更高 |
| XDAWNCov+TS+LR − CBraMod — P300 目标 ERP — XDAWNCov+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 ERP — XDAWNCov+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 ERP — XDAWNCov+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 · raw — P300 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 · raw — P300 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+LDA — P300 目标 ERP — XDAWNCov+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 ERP — XDAWNCov+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 ↗](https://doi.org/10.1109/TBME.2009.2012869)
- 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 ↗](https://doi.org/10.1109/TBME.2011.2172210)
- Chen, Wiesel, Eldar and Hero. Shrinkage algorithms for MMSE covariance estimation. IEEE Transactions on Signal Processing 58(10), 2010. [doi ↗](https://doi.org/10.1109/TSP.2010.2053029)
- Jayaram and Barachant. MOABB: trustworthy algorithm benchmarking for BCIs. Journal of Neural Engineering 15(6), 2018. [doi ↗](https://doi.org/10.1088/1741-2552/aadea0)
- Ledoit and Wolf. A well-conditioned estimator for large-dimensional covariance matrices. Journal of Multivariate Analysis 88(2), 2004. [doi ↗](https://doi.org/10.1016/S0047-259X(03)00096-4)

## 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`](https://bci.report/zh/releases/#core-matrix-update-20261106)（2026-11-06）、[`research-preview-20260920`](https://bci.report/zh/releases/#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](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/xdawn/ 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）。