BETA
署名 Bingchuan Liu et al. · BETA: A Large Benchmark Database Toward SSVEP-BCI Application (2020), doi:10.3389/fnins.2020.00627. Figshare 12264401 v3; mirror Bingchuan/BETA.
许可 CC BY 4.0 ↗
本页的数字是 BCI Report 在上述许可下计算的聚合测量;数据仍归其创建者所有。
核心矩阵协议 · 迁移到新被试
已发布的协议,附在本协议下运行的每种方法的分数。
协议步骤、局限说明、方法备注与数据集署名保持发布数据的英文原文。
只在本协议内部比较:其他协议在队列、电极、时间窗或随机水平上有所不同。
| 方法 | 训练方式 | 平衡准确率 | 宏平均 F1 | 通道 | 被试 | 评分耗时 |
|---|---|---|---|---|---|---|
| Standard CCA经典方法 | Known-frequency reference · no fitting | 63.1%57.2%–69.0% | 0.626Mean across held-out participants | 8 | 70 | 1.8 s |
| Spectral ridge经典方法 | Supervised fit | 50.7%45.6%–55.8% | 0.494Mean across held-out participants | 8 | 70 | 1.4 s |
| LaBraM基础模型 | Frozen encoder + ridge head | 10.8%9.5%–12.2% | 0.093Mean across held-out participants | 8 | 70 | 5.0 s |
| CBraMod基础模型 | Frozen encoder + ridge head | 33.7%29.8%–37.6% | 0.318Mean across held-out participants | 8 | 70 | 4.9 s |
| EEGNet轻量模型 | Scratch · 20 epochs | 55.8%50.1%–61.3% | 0.541Mean across held-out participants | 8 | 70 | 285.8 s |
| FBCCA经典方法 · FBCCA-M3-N7-H5 · Local Ubuntu / CPU, training-free | 已知频率的参照方法 · 不拟合 | 79.1%75.1%–82.8% | 0.789Mean across held-out participants | 8 | 70 | — |
| ShallowFBCSPNet轻量模型 · 矩阵配方 · AdamW · Apple M5 / MPS | 从头训练 · 20 个轮次 | 23.0%20.3%–25.9% | 0.200Mean across held-out participants | 8 | 70 | — |
| Deep4Net轻量模型 · 矩阵配方 · AdamW · Apple M5 / MPS | 从头训练 · 20 个轮次 | 52.8%47.3%–58.2% | 0.513Mean across held-out participants | 8 | 70 | — |
评分耗时为该配置下拟合与预测的用时,可能含加速器等待时间,不含数据准备。 core-matrix-update-20261106 中的各行不记录评分耗时。
不适用于本协议:CSP+LDA。已发布的 CSP+LDA 方案是二分类的,对每个空间滤波器在整个时间窗上计算一个宽带对数方差;BETA 的 40 个目标都在 8–15.8 Hz 一个频带内,相隔 0.2 Hz。
未在本协议下运行:Temporal ridge、TS+LR、MDM、XDAWNCov+TS+LR、xDAWN+LDA。
两两协议对比
查看同一协议下两个方法的点估计与 95% 区间;仅当数据已发布配对差值区间时才显示差值检验。下拉菜单按方法族与字母顺序排列,不按分数排序。
默认展示(SSVEP · 8 通道):FBCCA 平衡准确率 79.1%(95% 区间 75.1–82.8%);Standard CCA 63.1%(95% 区间 57.2–69.0%);随机水平 2.5%。
| 对比(左减右) | 配对均值差 | 主区间 | 被试数 | 区间口径与说明 |
|---|---|---|---|---|
| FBCCA − Standard CCA | +16.0 pp | [+11.6, +20.5 pp] | 70 | 98.75% 区间,按四项对比做 Bonferroni 校正 |
| FBCCA − EEGNet | +23.3 pp | [+17.6, +29.6 pp] | 70 | 98.75% 区间,按四项对比做 Bonferroni 校正对照为矩阵中单种子的 EEGNet 单元格;未包含训练方差 |
| Deep4Net − EEGNet | −3.0 pp | [−3.9, −2.1 pp] | 70 | 95% 区间,未校正对照为矩阵中单种子的 EEGNet 单元格;未包含训练方差 |
| ShallowFBCSPNet − EEGNet | −32.7 pp | [−37.0, −28.5 pp] | 70 | 95% 区间,未校正对照为矩阵中单种子的 EEGNet 单元格;未包含训练方差 |
| ShallowFBCSPNet − Deep4Net | −29.7 pp | [−33.7, −25.8 pp] | 70 | 95% 区间 |
| Log band-power ridge − Spectral ridge | −45.4 pp | [−50.4, −40.6 pp] | 70 | 95% 配对被试自助法区间(未校正) |
| LaBraM at Scale Quark-L − LaBraM at Scale Quark-B | −0.4 pp | [−1.3, +0.6 pp] | 70 | 95% 配对被试自助法区间(未校正;共 21 项阶梯对比) |
| LaBraM at Scale Quark-H − LaBraM at Scale Quark-L | −3.4 pp | [−4.4, −2.4 pp] | 70 | 95% 配对被试自助法区间(未校正;共 21 项阶梯对比) |
| LaBraM at Scale Quark-H − LaBraM at Scale Quark-B | −3.8 pp | [−4.8, −2.8 pp] | 70 | 95% 配对被试自助法区间(未校正;共 21 项阶梯对比) |
滤波器组 CCA,配方 FBCCA-M3-N7-H5:七个切比雪夫子带(6–90 Hz),五次谐波,权重 n^−1.25 + 0.25(Chen 等,2015,M3);为本项目自己的 SciPy 实现。它读取作者采用的 3–100 Hz 时间窗,自带的滤波器组取代 6–80 Hz 这一步。时间窗、电极、目标与被试均与矩阵相同。不需要训练;折未使用。
FBCCA 与 CCA 会得到 40 个刺激频率,不使用训练数据。
同一配方也出现在卡片 11(其他终点)和电极偏移研究(8 电极的数字)中;这些行给出它在核心协议下的 40 目标数值,而 8 电极的数字在这次运行之前就已知。 没见过的 SSVEP 频率 → 更少的电极 →
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)。
| 差值 | 均值(pp) | 98.75% 区间,按四项对比做 Bonferroni 校正 | 95% 区间,未校正 | 判读 |
|---|---|---|---|---|
| FBCCA − Standard CCAFBCCA-M3-N7-H5 | +16.0 pp | 11.6 至 20.5 | 12.5 至 19.6 | 更高 |
这个差值属于整套配方(滤波器组、频带边界、五次谐波对三次谐波)。
| 差值 | 均值(pp) | 98.75% 区间,按四项对比做 Bonferroni 校正 | 95% 区间,未校正 | 判读 |
|---|---|---|---|---|
| FBCCA − EEGNetFBCCA-M3-N7-H5 | +23.3 pp | 17.6 至 29.6 | 18.8 至 28.2 | 更高 |
98.75 % 区间按四项对比做 Bonferroni 校正;旁边的 95 % 区间未校正。各行的区间是矩阵中描述性的 95 % 被试 bootstrap 区间。
| 差值 | 均值(pp) | 95% 区间,未校正 | 18 项对比的 Bonferroni 区间 | 判读 |
|---|---|---|---|---|
| Deep4Net − EEGNet | −3.0 pp | −3.9 至 −2.1 | −4.4 至 −1.6 | 更低 |
| ShallowFBCSPNet − EEGNet | −32.7 pp | −37.0 至 −28.5 | −38.9 至 −26.4 | 更低 |
措辞以配对 95% 区间为准;旁边的 Bonferroni 区间覆盖全部 18 个对比。按 95% 且不做校正来读,在没有真实差别的对比中,约每 20 个会有一个因偶然显示出差别。
核心矩阵之外
在协议的全部记录通道上,每个通道取五个对数频带功率(1–4、4–8、8–13、13–30 与 30–45 Hz):对每个已发布的窗口先去除各通道的窗口均值,并做逐窗口的稳健幅度缩放,再计算一次 Hann 周期图;由核心的岭回归分类头(alpha 100)在已发布的窗口与留出被试的折上读出。它与 Spectral ridge 一行使用相同的窗口、被试、折与岭回归分类头;该行从上表重复列出。
| 方法 | 训练方式 | 平衡准确率 | 宏平均 F1 | 通道 | 被试 |
|---|---|---|---|---|---|
| Spectral ridge经典方法 · 即上表中的核心矩阵行 | 有监督拟合 | 50.71%45.56%–55.76% | 0.494 | 8 | 70 |
| 对数频带功率岭回归(5 个频带,可见通道)经典方法 | 有监督拟合 | 5.26%4.75%–5.79% | 0.034 | 8 | 70 |
每个差值都是本行减去所列的行,在同一批被试上用配对被试 bootstrap(10,000 次抽样)计算:区间整个高于零记为高于,整个低于零记为低于,包含零记为未分开,这并不说明两者等效。这些区间是描述性的,以这些折为条件,未做多重比较校正。
与 Spectral ridge 一行之差:−45.45 pp(−50.37 至 −40.63):低于。两行在频带、归一化、估计方法、频率范围和采样率上同时不同,所以这个差值衡量的是整套做法。
与 REVE Large 之差(在同样的测试折上选出的一行冻结编码器):−47.48 pp(−52.40 至 −42.60):低于。
这是评分前就说明的宽频带对照:5 个宽频带无法分辨相隔 0.2 Hz 的 40 个目标。随机水平为 2.5%。
核心矩阵之外
每个编码器只替换上面冻结方案中的 LaBraM 或 CBraMod:时间窗、被试、折、岭回归分类头和评分方式都相同。各行按模型类别分组;只有 95% 区间不重叠时,才说一行高于或低于另一行。每个区间都是描述性的被试 bootstrap,没有做多重比较校正;冻结单元格共有 126 个,偶尔出现不重叠,本身就在随机误差的预料之中。每个编码器看到的都是本协议已发布的时间窗,通常比它预训练时的上下文更短。
| 编码器 | 训练方式 | 平衡准确率 | 宏平均 F1 | 通道 | 被试 | 是否出现在预训练数据中 |
|---|---|---|---|---|---|---|
| REVE Base1基础模型 | Frozen encoder + ridge head | 37.5%33.3%–41.9% | 0.352 | 8 | 70 | 不在作者公开的预训练数据清单中(2026-10-04 核查)来源 ↗ |
| REVE Large2基础模型 | Frozen encoder + ridge head | 52.7%47.7%–57.8% | 0.513 | 8 | 70 | 不在作者公开的预训练数据清单中(2026-10-04 核查)来源 ↗ |
| LUNA Base3基础模型 | Frozen encoder + ridge head | 8.6%7.7%–9.5% | 0.065 | 8 | 70 | 不在作者公开的预训练数据清单中(2026-10-04 核查)来源 ↗ |
| LUNA Large4基础模型 | Frozen encoder + ridge head | 10.0%8.9%–11.1% | 0.082 | 8 | 70 | 不在作者公开的预训练数据清单中(2026-10-04 核查)来源 ↗ |
| BrainOmni Base5基础模型 | Frozen encoder + ridge head | 21.7%18.6%–25.0% | 0.200 | 8 | 70 | 不在作者公开的预训练数据清单中(2026-10-04 核查)来源 ↗ |
| CodeBrain6基础模型 | Frozen encoder + ridge head | 11.9%10.5%–13.3% | 0.100 | 8 | 70 | 不在作者公开的预训练数据清单中(2026-10-04 核查)来源 ↗ |
| EEGMamba7基础模型 | Frozen encoder + ridge head | 40.2%35.7%–44.7% | 0.382 | 8 | 70 | 不在作者公开的预训练数据清单中(2026-10-04 核查)来源 ↗ |
| ST-EEGFormer Base8基础模型 | Frozen encoder + ridge head | 17.1%15.5%–18.8% | 0.138 | 8 | 70 | 在作者公开的预训练数据清单中来源 ↗ |
| ST-EEGFormer Large9基础模型 | Frozen encoder + ridge head | 22.6%20.1%–25.3% | 0.190 | 8 | 70 | 在作者公开的预训练数据清单中来源 ↗ |
| eeg-fm-masking MAE (r=9 cm, L=2)10基础模型 | Frozen encoder + ridge head | 54.8%49.4%–60.0% | 0.535 | 8 | 70 | 不在作者公开的预训练数据清单中(2026-10-04 核查)来源 ↗ |
| ERP-FM Base11基础模型 | Frozen encoder + ridge head | 18.4%16.3%–20.5% | 0.153 | 8 | 70 | 不在作者公开的预训练数据清单中(2026-10-04 核查)来源 ↗ |
| SingLEM12基础模型 | Frozen encoder + ridge head | 26.6%23.7%–29.5% | 0.197 | 8 | 70 | 不在作者公开的预训练数据清单中(2026-10-04 核查)来源 ↗ |
| ZUNA 1.113基础模型模型卡:仅供研究使用,不可用于诊断或临床。 | Frozen encoder + ridge head | 11.9%10.8%–13.0% | 0.080 | 8 | 70 | 是否出现在预训练数据中:未知未知:作者公开的预训练数据清单不够详细,无法判断来源 ↗ |
“是否出现在预训练数据中”按各模型作者公开的预训练数据清单判断,于 2026-10-04 核查:不在清单中的数据集写作“不在作者公开的预训练数据清单中”,这并不证明它的记录从未被模型见过。ST-EEGFormer 的清单包含 BETA,SingLEM 的包含 TMNRED;ZUNA 1.1 没有公开清单,所以它的每个单元格都是未知;EEGMamba 的清单读自其官方代码(论文全文没有读过),把握程度为中等。
区间为边际区间:同一批被试在两个检查点下的结果没有做配对检验。
| 编码器 | 训练方式 | 平衡准确率 | 宏平均 F1 | 通道 | 被试 | 是否出现在预训练数据中 |
|---|---|---|---|---|---|---|
| eeg-fm-masking MAE (r=9 cm, L=2)10基础模型 · 即上表中的那一行 | Frozen encoder + ridge head | 54.8%49.4%–60.0% | 0.535 | 8 | 70 | 不在作者公开的预训练数据清单中(2026-10-04 核查)来源 ↗ |
| eeg-fm-masking JEPA (r=9 cm, L=2)14基础模型 | Frozen encoder + ridge head | 49.6%44.5%–54.8% | 0.481 | 8 | 70 | 不在作者公开的预训练数据清单中(2026-10-04 核查)来源 ↗ |
| eeg-fm-masking MAE (r=one channel, L=1)14基础模型 | Frozen encoder + ridge head | 53.4%48.1%–58.6% | 0.522 | 8 | 70 | 不在作者公开的预训练数据清单中(2026-10-04 核查)来源 ↗ |
| eeg-fm-masking JEPA (r=one channel, L=1)14基础模型 | Frozen encoder + ridge head | 51.0%45.8%–56.1% | 0.496 | 8 | 70 | 不在作者公开的预训练数据清单中(2026-10-04 核查)来源 ↗ |
任何模型的作者都没有为这些结果背书;没有保留或分享任何适配后的权重或 LoRA 增量。
核心矩阵之外
EEGPT 与上面已发布的 LaBraM、CBraMod 各行出自同一批运行,只替换了编码器:时间窗、被试、折、岭回归分类头和评分方式都相同。
| 编码器 | 训练方式 | 平衡准确率 | 宏平均 F1 | 通道 | 被试 | 是否出现在预训练数据中 |
|---|---|---|---|---|---|---|
| EEGPT基础模型 | Frozen encoder + ridge head | 20.3%18.2%–22.6% | 0.169 | 8 | 70 | 不在作者公开的预训练数据清单中(2026-10-12 核查)来源 ↗ |
上表中 experiments.json 所含的每一行,按它与 EEGPT 的 95% 区间是否重叠判断(区间未做多重比较校正):
EEGPT 是否出现在预训练数据中,同样按其作者公开的预训练数据清单判断,于 2026-10-12 核查。 它的预训练语料: 五个公开数据集,按论文表 1 所列:PhysioMI(PhysioNet 运动想象与运动执行数据)、HGD、TSU(清华大学 40 目标 SSVEP 基准数据集)、SEED 与 M3CV;58 个电极、256 Hz、毫伏、平均参考、4 秒时间窗。Five public datasets, as the paper’s Table 1 lists them: PhysioMI (PhysioNet motor imagery and execution), HGD, TSU (the Tsinghua 40-target SSVEP benchmark), SEED and M3CV; 58 electrodes, 256 Hz, millivolts, average reference, 4-second windows.
冻结探针比较
LaBraM at Scale 的六个编码器与 REVE Small 的编码器,沿用上面各行的同一冻结方案:时间窗、被试、折、分类头与评分方式都相同,没有随机初始化对照。
| 编码器 | 平衡准确率(95% 区间) | 宏 F1 | 预训练数据 |
|---|---|---|---|
| LaBraM at Scale · Quark 序列 | |||
| Quark-BLocal Ubuntu / CPU | 27.4%23.6%–31.5% | 0.255 | — |
| Quark-LLocal Ubuntu / CPU | 27.1%23.3%–31.0% | 0.249 | — |
| Quark-HLocal Ubuntu / CPU | 23.7%20.2%–27.3% | 0.220 | — |
| Quark-G†Local Ubuntu / CUDA | 25.0%21.3%–28.8% | 0.234 | — |
| LaBraM at Scale · Atom-L 与 Molecule-L | |||
| Atom-LLocal Ubuntu / CPU | 25.8%22.4%–29.4% | 0.229 | — |
| Molecule-LLocal Ubuntu / CPU | 26.6%22.9%–30.5% | 0.241 | — |
| REVE Small · 早期检查点(共 200 轮中的第 15 轮) | |||
| REVE SmallLocal Ubuntu / CPU | 39.3%35.2%–43.6% | 0.372 | — |
† Quark-G:在 Local Ubuntu / CUDA 上运行;这一级以 GPU 上重跑的 Quark-H 为对照,并包含探针输入宽度在同一个固定惩罚下从 800 增至 1600 的变化(见主题页)。
未加标记的单元格,其数据集不在对应语料集公开的预训练数据清单中(LaBraM at Scale 的预训练清单 faa387d9 版,2026-11-05 核查);REVE Small 依据 REVE 的语料清单(2026-10-04 核查)。
Quark 序列跨协议的配对差值(包括 Quark-G 这一级)见「预训练对 LaBraM、CBraMod 这类 EEG 基础模型有帮助吗?」。
使用条款:LaBraM at Scale 的代码与权重为 MIT 许可(Pan-Junyu/LaBraM-at-Scale @ a0b0ce27);REVE Small 适用 REVE Responsible Use License v1.0(reve-small @ 3565bdcb),只发布聚合的科学结果。不分发任何权重。
Near-floor scores are not ordered reliably between the 8- and 4-electrode subsets. Electrode subsets from laboratory recordings do not validate a physical low-channel cap. Prompted SSVEP does not measure idle false activations. Single-seed results; pretraining overlap unknown.
关于上文的“pretraining overlap unknown”(预训练数据是否重叠未知):LaBraM 与 CBraMod 已于 2026-10-04 按其作者公开的预训练数据清单核查。 是否出现在预训练数据中 ↓
One fixed seed and training budget; multi-seed sensitivity pending.
Unknown unless explicitly documented; no unseen-pretraining claim.
2026-10-04 核查。 LaBraM:不在作者公开的预训练数据清单中(2026-10-04 核查) 来源 ↗;CBraMod:不在作者公开的预训练数据清单中(2026-10-04 核查) 来源 ↗。 上面那句话来自已发布的协议文件,早于这次核查。 其他编码器:见上方表格中“是否出现在预训练数据中”一列 → · EEGPT:见上方它自己的一节 →
署名 Bingchuan Liu et al. · BETA: A Large Benchmark Database Toward SSVEP-BCI Application (2020), doi:10.3389/fnins.2020.00627. Figshare 12264401 v3; mirror Bingchuan/BETA.
许可 CC BY 4.0 ↗
本页的数字是 BCI Report 在上述许可下计算的聚合测量;数据仍归其创建者所有。
许可范围 Personal noncommercial research; aggregate results only
隐私 这里只发布队列级聚合结果:不发布任何记录、被试编号或逐人分数。 完整的审查说明在协议 JSON 中 ↓
公开数据登记说明 仅在本站声明的个人、以研究为主、非商业的运营方式下可以使用。任何广告、赞助、收费或以商业利益为目的的使用,都需要重新审查或取得许可。Eligible only under the stated personal, research-led, noncommercial operation. Any ads, sponsorship, fees, or use directed toward commercial advantage requires fresh review or permission.
权利审查于 · 依据 figshare.com ↗ · doi.org ↗
beta-ssvep-2s-posterior4and8-subject7fold-v1/posterior8ccddf911864b8471f488e46cae45a3651369dae1134afcdeaede68bdfcc31950547a35763f7bca10a65c7b44c2f8c46af290159c692d237e92cd682fc21127a6dcd1d2bf4dbb46b7db8c4562623448633cde4641fa372c90f25ba9d84012c2f0e4aa044b2cae88f9fe7815c4ab4e83d79ff740b1c6525e046ca86f45cbe7a69866b5815b8c42bc9383af7db706a67a12fddb21c99448b36668ca74203090458ea216bfac4ce6dd11c63d499b58bc93aebb89025168911b5d7d7fe265a866da4cf5a1c3dab4a7e265fa3413ada48edc89b9fd4ac98ab7dc0d0f9279761e7e0a9e每个单元格只训练一次,使用矩阵的随机种子与训练方案:AdamW,训练 20 轮(睡眠 10 轮),不用学习率调度,不提前停止。这是 EEGNet 单元格所用的方案;没有针对任何网络调参,也不是原论文的训练方式。区间反映的是被试之间的差异,不是不同训练运行之间的差异。
本协议在 core-matrix-update-20261106 中的各行 · CSV ↓ · 核心矩阵:在其原有协议下运行的行 · JSON ↓
全部协议 → · 首页上的核心矩阵 → · 全部数据集 → · 全部方法 →
BCI Report. SSVEP · 8 通道(BETA)[EB/OL]. (2026-11-06). https://bci.report/zh/protocols/beta-8ch/
数字来自发布 core-matrix-update-20261106(2026-11-06)、logpower-ridge-update-20261106(2026-11-06)、foundation-checkpoints-update-20261106(2026-11-06)、eegpt-core-update-20261013(2026-10-13)、foundation-models-update-20261004(2026-10-04)、research-preview-20260920(2026-09-20)。也请同时引用上游数据集:其署名就在本页。
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)