核心矩阵协议 · 误触发 × 检出率

空闲与指令(ds005342)

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
Seated motor imagery · cue-gated replay
评测方式
误触发 × 检出率
数据集
ds005342
被试
4
数据量
60 idle / 60 command test trials
输入
180 seconds of test idle
随机水平
不适用。指令检出率要和空闲误触发率一起读:始终拒识也能得到零误触发。
指标
指令检出率 ≤3 秒(主指标)· 空闲误触发率(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。

方法训练方式指令检出率 ≤3 秒空闲误触发率通道被试评分耗时
CSP+LDA经典方法Supervised fit23.3%14 / 60 command trials0.0%0 / 60 idle trials1 名始终拒识(共 4 名被试)1740.1 s
LaBraM基础模型Frozen encoder + linear head18.3%11 / 60 command trials3.3%2 / 60 idle trials0 名始终拒识(共 4 名被试)1742.8 s
EEGNet轻量模型Scratch · 20 epochs1.7%1 / 60 command trials0.0%0 / 60 idle trials2 名始终拒识(共 4 名被试)17410.1 s
ShallowFBCSPNet轻量模型Scratch · 20 epochs43.3%26 / 60 command trials1.7%1 / 60 idle trials1 名始终拒识(共 4 名被试)17428.6 s
CBraMod基础模型Frozen encoder + linear head18.3%11 / 60 command trials1.7%1 / 60 idle trials1 名始终拒识(共 4 名被试)1742.3 s
Deep4Net轻量模型Scratch · 20 epochs3.3%2 / 60 command trials1.7%1 / 60 idle trials1 名始终拒识(共 4 名被试)17413.9 s
TS+LR经典方法 · OAS · 空闲任务自有时间窗 · Apple M5 / CPU有监督拟合35.0%21 / 60 个指令试次6.7%4 / 60 个空闲试次174—
MDM经典方法 · OAS · 空闲任务自有时间窗 · Apple M5 / CPU有监督拟合35.0%21 / 60 个指令试次1.7%1 / 60 个空闲试次174—

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:Standard CCA、FBCCA(它们需要已知的刺激频率,而本协议没有);Temporal ridge、XDAWNCov+TS+LR、xDAWN+LDA(它们针对刺激锁时的瞬态电位波形建模,而本协议的类别不由这种电位定义)。

未在本协议下运行:Spectral ridge。

两两协议对比

在「空闲与指令」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%CSP+LDA23.3% / 0.0%LaBraM18.3% / 3.3%

空闲与指令协议不提供配对差值区间;仅报告 4 名被试汇总试次下的检出率与误触发率。

默认展示(空闲与指令,队列 n = 4):CSP+LDA 指令检出 23.3%,空闲误触发 0.0%;LaBraM 指令检出 18.3%,空闲误触发 3.3%。

这些行的运行方式

黎曼与 xDAWN 基线

方案
TS+LR、MDM:OAS · 空闲任务自有时间窗
协议
对每名被试,前两个组块用于训练模型,第三个组块用于选择阈值,最后一个组块留作测试。
配置选择
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。
硬件
TS+LR、MDM:Apple M5 / CPU

空闲:测试试次合计之差

与已发布空闲行相比的测试试次合计之差;仅作描述,没有区间。对照 EEGNet:对照为矩阵中单种子的 EEGNet 单元格;未包含训练方差。对照 CSP+LDA:对照为已发布的 CSP+LDA 空闲行(确定性方法)。
方法对照 EEGNet · 空闲试次中被误触发的试次数对照 EEGNet · 检出指令的试次数对照 CSP+LDA · 空闲试次中被误触发的试次数对照 CSP+LDA · 检出指令的试次数
TS+LR+4+20+4+7
MDM+1+20+1+7

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、逐人线性分类头及其只用校准数据定的阈值和评分方式都相同。各行按模型类别分组;这些是计数,没有区间,所以不说哪一行高于或低于另一行。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。

编码器训练方式指令检出率 ≤3 秒空闲误触发率按窗口的平衡准确率 · AUROC通道被试是否出现在预训练数据中
REVE Base1基础模型Frozen encoder + linear head20.0%12 / 60 条指令0 名始终拒识(共 4 名被试)1.7%1 / 60 个空闲试次61.1%AUROC 0.786174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 + linear head10.0%6 / 60 条指令2 名始终拒识(共 4 名被试)1.7%1 / 60 个空闲试次54.4%AUROC 0.785174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 + linear head6.7%4 / 60 条指令2 名始终拒识(共 4 名被试)1.7%1 / 60 个空闲试次52.8%AUROC 0.675174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 + linear head8.3%5 / 60 条指令2 名始终拒识(共 4 名被试)1.7%1 / 60 个空闲试次54.7%AUROC 0.734174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 + linear head21.7%13 / 60 条指令1 名始终拒识(共 4 名被试)5.0%3 / 60 个空闲试次59.7%AUROC 0.737174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 + linear head16.7%10 / 60 条指令1 名始终拒识(共 4 名被试)1.7%1 / 60 个空闲试次58.6%AUROC 0.771174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 + linear head3.3%2 / 60 条指令3 名始终拒识(共 4 名被试)0.0%0 / 60 个空闲试次51.1%AUROC 0.639174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 + linear head26.7%16 / 60 条指令1 名始终拒识(共 4 名被试)1.7%1 / 60 个空闲试次63.9%AUROC 0.896174不在作者公开的预训练数据清单中(2026-10-04 核查)来源 ↗
ST-EEGFormer Large9基础模型Frozen encoder + linear head33.3%20 / 60 条指令1 名始终拒识(共 4 名被试)1.7%1 / 60 个空闲试次67.8%AUROC 0.912174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=9 cm, L=2)10基础模型Frozen encoder + linear head5.0%3 / 60 条指令2 名始终拒识(共 4 名被试)0.0%0 / 60 个空闲试次53.6%AUROC 0.733174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 + linear head5.0%3 / 60 条指令2 名始终拒识(共 4 名被试)1.7%1 / 60 个空闲试次52.5%AUROC 0.675174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 + linear head10.0%6 / 60 条指令2 名始终拒识(共 4 名被试)8.3%5 / 60 个空闲试次50.3%AUROC 0.528174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 + linear head18.3%11 / 60 条指令0 名始终拒识(共 4 名被试)1.7%1 / 60 个空闲试次57.2%AUROC 0.608174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。

编码器训练方式指令检出率 ≤3 秒空闲误触发率按窗口的平衡准确率 · AUROC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 + linear head5.0%3 / 60 条指令2 名始终拒识(共 4 名被试)0.0%0 / 60 个空闲试次53.6%AUROC 0.733174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 + linear head20.0%12 / 60 条指令2 名始终拒识(共 4 名被试)0.0%0 / 60 个空闲试次62.5%AUROC 0.823174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 + linear head8.3%5 / 60 条指令2 名始终拒识(共 4 名被试)0.0%0 / 60 个空闲试次57.2%AUROC 0.768174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 + linear head8.3%5 / 60 条指令2 名始终拒识(共 4 名被试)0.0%0 / 60 个空闲试次54.7%AUROC 0.795174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 一行出自同一次运行,只替换了编码器:时间窗、被试、折、逐人逻辑回归分类头及其只用校准数据定的规则和评分方式都相同。这些是计数和队列均值,没有区间,所以不说它高于或低于另一行。

编码器训练方式指令检出率 ≤3 秒空闲误触发率按窗口的平衡准确率 · AUROC通道被试是否出现在预训练数据中
EEGPT基础模型Frozen encoder + linear head11.7%7 / 60 条指令1 名始终拒识(共 4 名被试)3.3%2 / 60 个空闲试次57.2%AUROC 0.780174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. 与已发布的 LaBraM 空闲行出自同一次运行;已发布的 CBraMod 空闲行来自另一次运行,所以与它的比较是跨运行的。窗口平衡准确率与 AUROC 按更多基础模型编码器各行的定义,从这次运行保存的概率算出;各项计数是运行本身记录的。Same run as the published LaBraM idle row; the published CBraMod idle row comes from another run, so a comparison with it is across runs. The window balanced accuracy and AUROC were computed from this run’s saved probabilities with the definitions of the further foundation-encoder rows; the run itself recorded the counts.
  2. 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.
  3. 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.

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。

队列人数 n = 4(协议本身的设定):出现误触发的空闲试次、3 s 内检出的指令试次,以及窗口指标。
编码器空闲误触发指令检出 ≤3 s窗口平均平衡准确率窗口平均 AUROC
LaBraM at Scale · Quark 序列
Quark-BLocal Ubuntu / CPU4 / 6015 / 6060.8%0.724
Quark-LLocal Ubuntu / CPU2 / 6013 / 6061.1%0.655
Quark-HLocal Ubuntu / CPU2 / 6015 / 6062.8%0.746
Quark-GLocal Ubuntu / CUDA2 / 6010 / 6057.2%0.722
LaBraM at Scale · Atom-L 与 Molecule-L
Atom-LLocal Ubuntu / CPU2 / 60其预训练语料包含本协议的数据集20 / 6066.1%0.721
Molecule-LLocal Ubuntu / CPU1 / 60其预训练语料包含本协议的数据集10 / 6060.6%0.723
REVE Small · 早期检查点(共 200 轮中的第 15 轮)
REVE SmallLocal Ubuntu / CPU1 / 608 / 6054.4%0.680

空闲是被试内的协议:每行给出队列人数、试次计数与窗口指标,不做对比。在空闲协议上,LaBraM at Scale 的池化特征是全局的;已发布的 LaBraM 空闲行保留了通道维。

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

Detection resets at each cue. Only three minutes of test idle are observed; these results cannot estimate natural, always-on false activations per hour.

协议步骤

  1. For each subject, the first two blocks train the model, the third selects the threshold, and the final block is held out for testing.
  2. Class events 1/2 define task onset. Two-second history windows produce decisions at 2.0, 2.5 and 3.0 seconds.
  3. Two consecutive threshold crossings trigger one command. Thresholds use calibration data only and may reject every command.
  4. 17 channels at 250 Hz; one-way 4–40 Hz filtering. Normalization uses training data only; no future samples enter a decision window.
  5. Visual cues, original feedback and short calibration exposure can influence results. This is not a natural continuous-idle test.
  6. Additional models use protocol ds005342-sitting-cue-gated-expanded-mvp-v1; independent audit SHA256: 14445d3423b5268654a1f73f7e1aca8bb03a2f793b076f450883fea89c7bcc83.

稳定性

Single fixed configuration; no test-set hyperparameter selection.

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

ds005342

署名 OpenNeuro ds005342 contributors · version 1.0.3, doi:10.18112/openneuro.ds005342.v1.0.3; associated study doi:10.3389/fninf.2022.961089. Original author credits are retained at the linked source.

许可 CC0-1.0 ↗

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 只能作为仅含聚合结果的案例研究使用:移除全部被试编号、逐人结果与按条件的拆分,醒目标注 n=4,不做亚组结论,也不声称该队列是匿名的。Eligible only as an aggregate-only case study: remove all participant IDs/results and condition breakdowns, label n=4 prominently, avoid subgroup claims, and make no claim that the cohort is anonymous.

权利审查于 · 依据 doi.org ↗ · eegdash.org ↗ · doi.org ↗

复现记录

协议 ID
ds005342-sitting-cue-gated-pilot-v1
数据集版本
OpenNeuro snapshot 1.0.3 · 30bb3b67d76ce007b822fed801e496fafe5598a0
硬件
Apple M5 / MPS and CPU
评分阶段总耗时
58.0 s · 可能含加速器等待
审计记录 SHA-256
ce2474c547f5f11c256752b0a07466beb5b6928da34bb39783aaa4647973d2e4

core-matrix-update-20261106 中的各行

黎曼与 xDAWN 基线

协议 SHA-256
4310329a2d6dddaeff64a965750b64237b08220fc23717b1f3d0c1a48f56b055
审计记录 SHA-256
ce1ee2a0345358c613aa89298c1cb90939df15d68d6c48298b99f9daa7f69e82
硬件
Apple M5 / CPU

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. 空闲与指令(ds005342)[EB/OL]. (2026-11-06). https://bci.report/zh/protocols/idle/

数字来自发布 core-matrix-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)