核心矩阵协议 · 迁移到新被试

SSVEP · 8 通道(BETA)

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。

协议概览

任务
40 visual targets · 8 posterior electrodes
评测方式
迁移到新被试
数据集
BETA
被试
70
数据量
11,200 trials · 7 participant-disjoint folds
输入
8 channels selected from a 64-channel recording · 2-second windows
随机水平
2.5%
指标
平衡准确率(主指标)· 宏平均 F1(次指标)

结果

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。

Standard CCA
63.1% (57.2%–69.0%)
Spectral ridge
50.7% (45.6%–55.8%)
LaBraM
10.8% (9.5%–12.2%)
CBraMod
33.7% (29.8%–37.6%)
EEGNet
55.8% (50.1%–61.3%)
FBCCA
79.1% (75.1%–82.8%)
ShallowFBCSPNet
23.0% (20.3%–25.9%)
Deep4Net
52.8% (47.3%–58.2%)
平衡准确率,本协议下的每一种方法。 点为估计值,横线为描述性 95% 区间,虚线为随机水平。
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 fitting63.1%57.2%–69.0%0.626Mean across held-out participants8701.8 s
Spectral ridge经典方法Supervised fit50.7%45.6%–55.8%0.494Mean across held-out participants8701.4 s
LaBraM基础模型Frozen encoder + ridge head10.8%9.5%–12.2%0.093Mean across held-out participants8705.0 s
CBraMod基础模型Frozen encoder + ridge head33.7%29.8%–37.6%0.318Mean across held-out participants8704.9 s
EEGNet轻量模型Scratch · 20 epochs55.8%50.1%–61.3%0.541Mean across held-out participants870285.8 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 participants870—
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 participants870—
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 participants870—

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

在「SSVEP · 8 通道」上对比任意两个方法

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。

下载该协议 CSV
0%25%50%75%100%随机水平 2.5%FBCCA79.1% [75.1–82.8]Standard CCA63.1% [57.2–69.0]
已发布的配对差值FBCCA − Standard CCA: +16.0 pp[+11.6, +20.5 pp]

98.75% 区间,按四项对比做 Bonferroni 校正 · n = 70 名被试 · 配对区间不含零

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%。

查看已发布的配对差值表(共 9 对)
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]7098.75% 区间,按四项对比做 Bonferroni 校正
FBCCA − EEGNet+23.3 pp[+17.6, +29.6 pp]7098.75% 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]7095% 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]7095% 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]7095% 区间
Log band-power ridge − Spectral ridge−45.4 pp[−50.4, −40.6 pp]7095% 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]7095% 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]7095% 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]7095% 配对被试自助法区间(未校正;共 21 项阶梯对比)

这些行的运行方式

FBCCA 在 beta-8ch 与 beta-4ch 上

方案
FBCCA:FBCCA-M3-N7-H5
硬件
FBCCA:Local Ubuntu / CPU · 不需要训练

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 →

按矩阵配方运行的 ShallowFBCSPNet 与 Deep4Net

方案
ShallowFBCSPNet、Deep4Net:矩阵配方 · AdamW
硬件
ShallowFBCSPNet、Deep4Net:Apple M5 / MPS

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)。

FBCCA 在 beta-8ch 与 beta-4ch 上

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 pp11.6 至 20.512.5 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)。

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)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 pp17.6 至 29.618.8 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。

按矩阵配方运行的 ShallowFBCSPNet 与 Deep4Net

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)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

对数频带功率岭回归(5 个频带,可见通道)

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%0.494870
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%0.034870

与两行已发布结果的差值

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。

关于这个对照的说明

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

更多基础模型编码器(冻结)

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。

Standard CCA
63.1% (57.2%–69.0%)
Spectral ridge
50.7% (45.6%–55.8%)
LaBraM
10.8% (9.5%–12.2%)
CBraMod
33.7% (29.8%–37.6%)
EEGNet
55.8% (50.1%–61.3%)
REVE Base
37.5% (33.3%–41.9%)
REVE Large
52.7% (47.7%–57.8%)
LUNA Base
8.6% (7.7%–9.5%)
LUNA Large
10.0% (8.9%–11.1%)
BrainOmni Base
21.7% (18.6%–25.0%)
CodeBrain
11.9% (10.5%–13.3%)
EEGMamba
40.2% (35.7%–44.7%)
ST-EEGFormer Base
17.1% (15.5%–18.8%)
ST-EEGFormer Large
22.6% (20.1%–25.3%)
eeg-fm-masking MAE (r=9 cm, L=2)
54.8% (49.4%–60.0%)
ERP-FM Base
18.4% (16.3%–20.5%)
SingLEM
26.6% (23.7%–29.5%)
ZUNA 1.1
11.9% (10.8%–13.0%)
本协议下的平衡准确率。 灰色为上表中已发布的各行,锈色为按模型类别依次列出的其他编码器。点为估计值,横线为 95% 区间,虚线为随机水平。
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 head37.5%33.3%–41.9%0.352870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 head52.7%47.7%–57.8%0.513870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 head8.6%7.7%–9.5%0.065870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 head10.0%8.9%–11.1%0.082870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 head21.7%18.6%–25.0%0.200870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 head11.9%10.5%–13.3%0.100870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 head40.2%35.7%–44.7%0.382870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 head17.1%15.5%–18.8%0.138870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 head22.6%20.1%–25.3%0.190870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 head54.8%49.4%–60.0%0.535870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 head18.4%16.3%–20.5%0.153870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 head26.6%23.7%–29.5%0.197870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 head11.9%10.8%–13.0%0.080870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。

各行脚注

  1. 输入在已发布的 /100 缩放之前,先去掉每个片段各通道的均值(评分前已声明);不去均值的敏感性分析中,P300 的得分高 0.71、睡眠低 1.40(单位:百分点)。Input removes the per-segment per-channel mean before the published /100 scaling (declared before scoring); a no-mean-removal sensitivity run scores P300 0.71 percentage points higher and sleep 1.40 lower.
  2. 输入先去掉每个片段各通道的均值(评分前已声明);不去均值的敏感性分析中,P300 的得分低 2.06、睡眠低 0.93(单位:百分点)。Input removes the per-segment per-channel mean (declared before scoring); the no-mean-removal sensitivity run scores P300 2.06 percentage points lower and sleep 0.93 lower.
  3. 重采样到 256 Hz,并截断为完整的 40 采样点片段;1–2 秒的时间窗和 4–8 通道的电极布局,都超出了作者测试过的范围。Resampled to 256 Hz and truncated to whole 40-sample patches; 1-2 s windows and 4-8 channel montages are outside the authors' tested regime.
  4. 同 LUNA Base。只做冻结探针。As LUNA Base. Frozen probes only.
  5. p300-target 与 semantic-target 未运行:分词器需要 2 秒的时间窗,1 秒的片段不补零就无法满足。在 4–8 通道的电极布局上保留了上游的共同平均参考。p300-target and semantic-target not run: the 2 s tokenizer window cannot be met by 1 s segments without zero padding. Upstream common average reference kept on 4-8 channel montages.
  6. 沿用已发布的 CBraMod 池化方式(对片段取均值,保留通道);上游的注意力窗口只有 1 个 token,所以 LoRA 实际上只适配了 V 投影。Published CBraMod pooling (patch mean, channels kept); LoRA effectively adapts only the V projection (1-token attention window upstream).
  7. 沿用已发布的 CBraMod 池化方式;LoRA 作用于 Mamba2 的 in_proj 与 out_proj(共 24 个目标)。Published CBraMod pooling; LoRA on Mamba2 in_proj and out_proj (24 targets).
  8. 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).
  9. 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.
  10. 论文推荐的掩码几何;保留通道的池化(C × 512)。另外三个同系列检查点列在掩码消融面板中。Paper-recommended masking geometry; channel-retained pooling (C x 512). Three sibling checkpoints appear in the masking ablation panel.
  11. 设计范围内:p300-target 与 semantic-target。其余六个协议是模型设计范围之外的阴性对照。ERP 时间窗没有刺激前基线。In design: p300-target and semantic-target. The other six protocols are negative controls outside the model's design. ERP windows have no pre-stimulus baseline.
  12. semantic-target 的数据出现在预训练数据中(TMNRED 在 SingLEM 的预训练语料里)。每个通道单独编码;每个 2 秒片段的最后 0.25 秒,分词器看不到。semantic-target is pretraining-exposed (TMNRED is in the SingLEM corpus). Each channel is encoded independently; the last 0.25 s of each 2 s segment is not seen by the tokenizer.
  13. 每个核心数据集是否出现在预训练数据中都未知(作者没有公开来源清单)。只用编码器;不做通道上采样或重建。Pretraining exposure unknown for every core dataset (no published source list). Encoder only; no channel upsampling or reconstruction.
  14. 论文推荐检查点在掩码消融中的同系列检查点:架构、语料与训练方案相同,掩码框架或几何不同。A sibling of the paper-recommended checkpoint in the masking ablation: the same architecture, corpus and recipe, another masking framework or geometry.
掩码消融:eeg-fm-masking 的另外 3 个同系列检查点

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 head54.8%49.4%–60.0%0.535870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 head49.6%44.5%–54.8%0.481870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 head53.4%48.1%–58.6%0.522870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 head51.0%45.8%–56.1%0.496870不在作者公开的预训练数据清单中(2026-10-04 核查)来源 ↗

权重许可与条款

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。

这些行的说明

核心矩阵之外

EEGPT(冻结)

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。

Standard CCA
63.1% (57.2%–69.0%)
Spectral ridge
50.7% (45.6%–55.8%)
LaBraM
10.8% (9.5%–12.2%)
CBraMod
33.7% (29.8%–37.6%)
EEGNet
55.8% (50.1%–61.3%)
EEGPT
20.3% (18.2%–22.6%)
本协议下的平衡准确率。 灰色为上表中已发布的各行,锈色为 EEGPT。点为估计值,横线为 95% 区间,虚线为随机水平。
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 head20.3%18.2%–22.6%0.169870不在作者公开的预训练数据清单中(2026-10-12 核查)来源 ↗

这一行的脚注

  1. PO5 与 PO6 所用的通道嵌入在 EEGPT 的预训练中从未训练过:EEGPT 的通道字典共 62 个名称,其中四个(AF7、AF8、PO5、PO6)不在它 58 电极的预训练电极布局中,这两个通道就在其中。这里其余六个通道,以及 4 通道子集的全部四个通道,用的都是训练过的嵌入。PO5 and PO6 use channel embeddings that EEGPT’s pretraining never trained: they are two of the four names in its 62-name channel dictionary (AF7, AF8, PO5, PO6) that its 58-electrode pretraining montage leaves out. The other six channels here, and all four of the 4-channel subset, use trained embeddings.
  2. 背景:BETA 不在 EEGPT 作者公开的预训练数据清单中,但清华大学的 40 目标 SSVEP 基准数据集(Wang 等,2017)在清单中,名为 TSU。BETA 的作者把 BETA 描述为该基准的扩展:出自同一团队,采用相同的 40 目标布局,记录是它自己的;两者是否有共同的被试,作者没有说明。For context: BETA is not in EEGPT’s published pretraining list, but the Tsinghua 40-target SSVEP benchmark (Wang et al., 2017) is, as TSU. BETA’s authors describe BETA as an extension of that benchmark, from the same group with the same 40-target layout and its own recordings; whether anyone took part in both is not stated.
  3. 每个核心时间窗都比 EEGPT 预训练用的 4 秒时间窗短:1 秒或 2 秒,睡眠则是十五段各 2 秒的数据。无论时间窗多长,编码器对每个 0.25 秒片段的计算方式都相同;时间窗越短,可供平均的片段越少。Every core window is shorter than EEGPT’s 4-second pretraining window: 1 or 2 seconds, and sleep as fifteen 2-second segments. The encoder computes each 0.25-second patch the same way at any length; a shorter window gives fewer patches to average.
  4. 读出用的是本站固定的分类头,接在冻结的汇总 token 上,与已发布的 LaBraM、CBraMod 各行相同:在 2,048 个池化值上做岭回归(alpha 100),空闲协议上则是逐人的逻辑回归分类头。它不是作者在下游任务中用的分类头(可学习的空间滤波器加线性分类头);输入的时间窗也没有做 EEGPT 预训练时用的平均参考。The readout is the site’s fixed probe on the frozen summary tokens, as for the published LaBraM and CBraMod rows: ridge (alpha 100) on 2,048 pooled values, and on idle a per-person logistic head. It is not the authors’ downstream probe, a learnable spatial filter with a linear head, and the windows are fed without the average reference EEGPT was pretrained with.

与已发布的行相比

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.

许可与条款

冻结探针比较

LaBraM at Scale 与 REVE Small(冻结)

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。

平衡准确率及其 95% 区间,以及宏 F1;编码器均冻结。
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 / CPU27.4%23.6%–31.5%0.255—
Quark-LLocal Ubuntu / CPU27.1%23.3%–31.0%0.249—
Quark-HLocal Ubuntu / CPU23.7%20.2%–27.3%0.220—
Quark-G†Local Ubuntu / CUDA25.0%21.3%–28.8%0.234—
LaBraM at Scale · Atom-L 与 Molecule-L
Atom-LLocal Ubuntu / CPU25.8%22.4%–29.4%0.229—
Molecule-LLocal Ubuntu / CPU26.6%22.9%–30.5%0.241—
REVE Small · 早期检查点(共 200 轮中的第 15 轮)
REVE SmallLocal Ubuntu / CPU39.3%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。

局限

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 ↓

协议步骤

  1. Seven participant-disjoint folds: train on 60 people, test on ten. All four blocks stay with their participant.
  2. Two seconds from stimulus onset; no visual-latency shift. Source data were already zero-phase filtered. Additional 6–80 Hz filtering applies to each selected window separately.
  3. Microvolt units are inferred from an independently documented loader, not explicitly stated in the author MAT description. Inconsistent phase metadata are unused by all methods.
  4. Standard CCA uses known frequencies and three harmonics without training labels. Frozen encoders use training-only standardized ridge heads (alpha 100). EEGNet trains from scratch for 20 epochs with one seed (20260912).
  5. Electrodes: PO5, PO3, POZ, PO4, PO6, O1, OZ, O2.
  6. Uniform-guessing reference: 2.5%. Descriptive 95% intervals resample participants; training sets overlap across folds.
  7. No cross-task overall ranking, model fine-tuning optimum or hardware benchmark is claimed.

稳定性

One fixed seed and training budget; multi-seed sensitivity pending.

是否出现在预训练数据中

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 →

方法说明

模型条款

来源与许可

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 ↗

数据集记录 ↗ · 这个数据集上的全部结果 →

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 ↗

复现记录

协议 ID
beta-ssvep-2s-posterior4and8-subject7fold-v1/posterior8
数据集版本
Hugging Face mirror of BETA database, Figshare record 12264401 v3 · mirror d4290c0200db8a104e0f557349dc49f90ba79506 · upstream Figshare version 3, 2022-06-15
硬件
Apple M5 / MPS and CPU
评分阶段总耗时
298.8 s · 可能含加速器等待
审计记录 SHA-256
ccddf911864b8471f488e46cae45a3651369dae1134afcdeaede68bdfcc31950
汇总 SHA-256
547a35763f7bca10a65c7b44c2f8c46af290159c692d237e92cd682fc21127a6
协议 SHA-256
dcd1d2bf4dbb46b7db8c4562623448633cde4641fa372c90f25ba9d84012c2f0

core-matrix-update-20261106 中的各行

FBCCA 在 beta-8ch 与 beta-4ch 上

协议 SHA-256
e4aa044b2cae88f9fe7815c4ab4e83d79ff740b1c6525e046ca86f45cbe7a698
审计记录 SHA-256
66b5815b8c42bc9383af7db706a67a12fddb21c99448b36668ca74203090458e
硬件
Local Ubuntu / CPU · 不需要训练
行区间
被试 bootstrap,10,000 次抽样
配对差值区间
配对被试 bootstrap,10,000 次抽样

按矩阵配方运行的 ShallowFBCSPNet 与 Deep4Net

协议 SHA-256
a216bfac4ce6dd11c63d499b58bc93aebb89025168911b5d7d7fe265a866da4c
审计记录 SHA-256
f5a1c3dab4a7e265fa3413ada48edc89b9fd4ac98ab7dc0d0f9279761e7e0a9e
硬件
Apple M5 / MPS
行区间
被试 bootstrap,10,000 次抽样
配对差值区间
配对被试 bootstrap,10,000 次抽样

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。

下载

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 ↓

其他协议

全部协议 → · 首页上的核心矩阵 → · 全部数据集 → · 全部方法 →

引用本页

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)