ds006593
署名 OpenNeuro ds006593 contributors · version 1.0.0, doi:10.18112/openneuro.ds006593.v1.0.0; original author credits retained at the linked source.
许可 CC0-1.0 ↗
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 |
|---|---|---|---|---|---|---|
| Spectral ridge经典方法 | Supervised fit | 51.0%49.6%–52.4%区间触及随机水平 | 0.505Mean across held-out participants | 19 | 21 | 0.4 s |
| Temporal ridge经典方法 | Supervised fit | 53.8%51.9%–55.6% | 0.520Mean across held-out participants | 19 | 21 | 0.5 s |
| LaBraM基础模型 | Frozen encoder + ridge head | 49.4%47.7%–51.2%不高于随机水平 | 0.486Mean across held-out participants | 19 | 21 | 10.6 s |
| CBraMod基础模型 | Frozen encoder + ridge head | 55.0%53.3%–56.7% | 0.529Mean across held-out participants | 19 | 21 | 4.8 s |
| EEGNet轻量模型 | Scratch · 20 epochs | 53.3%51.7%–54.9% | 0.500Mean across held-out participants | 19 | 21 | 45.6 s |
| XDAWNCov+TS+LR经典方法 · 4 个滤波器 · 50 Hz · 主要行 · Local Ubuntu / CPU | 有监督拟合 | 61.9%58.8%–65.0% | 0.615Mean across held-out participants | 19 | 21 | — |
| xDAWN+LDA经典方法 · 4 个滤波器 · 50 Hz · 次要行 · Local Ubuntu / CPU | 有监督拟合 | 60.4%57.7%–63.2% | 0.601Mean across held-out participants | 19 | 21 | — |
| ShallowFBCSPNet轻量模型 · 矩阵配方 · AdamW · Local Ubuntu / CUDA | 从头训练 · 20 个轮次 | 49.7%49.0%–50.4%不高于随机水平 | 0.427Mean across held-out participants | 19 | 21 | — |
| Deep4Net轻量模型 · 矩阵配方 · AdamW · Local Ubuntu / CUDA | 从头训练 · 20 个轮次 | 50.8%50.0%–51.6% | 0.409Mean across held-out participants | 19 | 21 | — |
| CSP+LDA经典方法 · 宽带 CSP · 收缩 LDA · Local Ubuntu / CPU | 有监督拟合 | 50.0%49.1%–50.8%不高于随机水平 | 0.453Mean across held-out participants | 19 | 21 | — |
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)。
另有一项冻结 NeuroRVQ 的探针,使用自己的输入流程,见试点研究页面 →
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(P300 目标 ERP):XDAWNCov+TS+LR 平衡准确率 61.9%(95% 区间 58.8–65.0%);Temporal ridge 53.8%(95% 区间 51.9–55.6%);随机水平 50.0%。
| 对比(左减右) | 配对均值差 | 主区间 | 被试数 | 区间口径与说明 |
|---|---|---|---|---|
| XDAWNCov+TS+LR − Spectral ridge | +11.0 pp | [+6.8, +15.1 pp] | 21 | 98.75% 区间,按四项对比做 Bonferroni 校正 |
| XDAWNCov+TS+LR − EEGNet | +8.6 pp | [+5.2, +12.0 pp] | 21 | 名义 95% 区间对照为矩阵中单种子的 EEGNet 单元格;未包含训练方差 |
| xDAWN+LDA − EEGNet | +7.1 pp | [+4.3, +10.0 pp] | 21 | 名义 95% 区间对照为矩阵中单种子的 EEGNet 单元格;未包含训练方差 |
| xDAWN+LDA − Spectral ridge | +9.5 pp | [+6.5, +12.4 pp] | 21 | 名义 95% 区间 |
| XDAWNCov+TS+LR − Temporal ridge | +8.1 pp | [+5.3, +11.1 pp] | 21 | 名义 95% 区间 |
| xDAWN+LDA − Temporal ridge | +6.6 pp | [+3.7, +9.8 pp] | 21 | 名义 95% 区间 |
| XDAWNCov+TS+LR − LaBraM | +12.5 pp | [+8.7, +16.3 pp] | 21 | 名义 95% 区间 |
| XDAWNCov+TS+LR − CBraMod | +6.9 pp | [+4.4, +9.6 pp] | 21 | 名义 95% 区间 |
| XDAWNCov+TS+LR − xDAWN+LDA | +1.5 pp | [−0.9, +3.7 pp] | 21 | 名义 95% 区间 |
| CSP+LDA − EEGNet | −3.3 pp | [−5.4, −1.6 pp] | 21 | 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 |
| Deep4Net − EEGNet | −2.5 pp | [−4.2, −0.9 pp] | 21 | 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 | −3.6 pp | [−5.4, −1.9 pp] | 21 | 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 | −1.1 pp | [−2.1, −0.2 pp] | 21 | 95% 区间 |
| Log band-power ridge − Spectral ridge | −0.5 pp | [−2.4, +1.4 pp] | 21 | 95% 配对被试自助法区间(未校正) |
| LaBraM at Scale Quark-L − LaBraM at Scale Quark-B | +1.4 pp | [−0.3, +3.3 pp] | 21 | 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 | +1.6 pp | [−0.4, +3.5 pp] | 21 | 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 | +3.0 pp | [+1.3, +4.8 pp] | 21 | 95% 配对被试自助法区间(未校正;共 21 项阶梯对比) |
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。
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) | 区间 | 95% 区间,未校正 | 判读 |
|---|---|---|---|---|
| XDAWNCov+TS+LR − Spectral ridgeXDAWNCov+TS+LR · 4 个滤波器 · 50 HzSpectral ridge:51.0% | +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 ridgeXDAWNCov+TS+LR · 4 个滤波器 · 50 HzTemporal ridge:53.8% | +8.1 pp | 5.3 至 11.1名义 95% 区间 | — | 更高 |
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。
| 差值 | 均值(pp) | 95% 区间,未校正 | 18 项对比的 Bonferroni 区间 | 判读 |
|---|---|---|---|---|
| CSP+LDA − EEGNet | −3.3 pp | −5.4 至 −1.6 | −6.6 至 −0.8 | 更低 |
| Deep4Net − EEGNet | −2.5 pp | −4.2 至 −0.9 | −5.2 至 −0.2 | 更低 |
| ShallowFBCSPNet − EEGNet | −3.6 pp | −5.4 至 −1.9 | −6.3 至 −0.9 | 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。
在 CUDA 显卡上重新训练并非逐位一致;在那里重新训练已发布的 semantic-target EEGNet 单元格,结果变动了 0.1 pp。
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 | 50.95%49.56%–52.38%区间触及随机水平 | 0.505 | 19 | 21 |
| 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 | 50.44%49.33%–51.59%区间触及随机水平 | 0.469 | 19 | 21 |
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:−0.52 pp(−2.42 至 +1.43):未分开。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 CBraMod 之差(它是这项比较预先指定的 13 行冻结编码器中最高的一行,在同样的测试折上选出):−4.52 pp(−6.23 至 −2.78):低于。在测试折上选出这一行,使比较偏向不利于本行。
在这些 1 秒窗口上,1–4 Hz 频带部分反映窗口内的慢漂移和慢速 ERP 本身,Spectral ridge 一行最低的几个频点也是如此。
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 | 50.5%48.5%–52.3%区间触及随机水平 | 0.501 | 19 | 21 | 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 | 54.6%52.7%–56.5% | 0.533 | 19 | 21 | 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 | 48.7%46.3%–51.1%不高于随机水平 | 0.480 | 19 | 21 | 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 | 48.8%46.9%–50.8%不高于随机水平 | 0.484 | 19 | 21 | 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 | 未运行BrainTokenizer 需要 512 个采样点的时间窗(256 Hz 下 2.0 秒);已发布的片段是 1 秒 = 256 个采样点,所以上游的 unfold() 会给每个时间窗的 512 个采样点补零 256 个(凭空造出的采样点)。上游所有下游任务用的时间窗都不短于 2 秒。BrainTokenizer needs a 512-sample window (2.0 s at 256 Hz); the published segment is 1 s = 256 samples, so upstream unfold() would zero-pad 256 of 512 samples of every window (invented samples). All upstream downstream tasks use >= 2 s windows. | 19 | — | 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 | 50.8%49.3%–52.2%区间触及随机水平 | 0.461 | 19 | 21 | 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 | 52.5%51.4%–53.5% | 0.492 | 19 | 21 | 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 | 53.6%52.3%–54.8% | 0.510 | 19 | 21 | 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 + ridge head | 52.7%51.3%–54.2% | 0.505 | 19 | 21 | 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 + ridge head | 49.5%48.1%–51.0%不高于随机水平 | 0.467 | 19 | 21 | 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 | 51.2%49.3%–53.2%区间触及随机水平 | 0.507 | 19 | 21 | 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 | 51.2%49.2%–53.1%区间触及随机水平 | 0.492 | 19 | 21 | 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 | 51.6%50.3%–53.0% | 0.511 | 19 | 21 | 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 | 49.5%48.1%–51.0%不高于随机水平 | 0.467 | 19 | 21 | 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 | 51.6%50.4%–52.7% | 0.503 | 19 | 21 | 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 | 51.1%49.2%–53.0%区间触及随机水平 | 0.495 | 19 | 21 | 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 | 50.0%48.7%–51.5%区间触及随机水平 | 0.478 | 19 | 21 | 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 | 54.0%51.5%–56.6% | 0.528 | 19 | 21 | 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 | 49.6%48.5%–50.6%区间包含机会水平 | 0.445 | — |
| Quark-LLocal Ubuntu / CPU | 51.0%49.4%–52.6%区间包含机会水平 | 0.463 | — |
| Quark-HLocal Ubuntu / CPU | 52.6%51.1%–54.1% | 0.500 | — |
| Quark-G†Local Ubuntu / CUDA | 50.3%48.5%–52.1%区间包含机会水平 | 0.490 | — |
| LaBraM at Scale · Atom-L 与 Molecule-L | |||
| Atom-LLocal Ubuntu / CPU | 53.2%51.5%–54.9% | 0.520 | 其预训练语料包含本协议的数据集 |
| Molecule-LLocal Ubuntu / CPU | 51.4%49.2%–53.5%区间包含机会水平 | 0.509 | 其预训练语料包含本协议的数据集 |
| REVE Small · 早期检查点(共 200 轮中的第 15 轮) | |||
| REVE SmallLocal Ubuntu / CPU | 54.3%52.9%–55.9% | 0.534 | — |
† 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。
Balanced target/nontarget sample changes the source 1:9 prevalence. One-second windows include later flashes at 0.3-second intervals; this is not an online speller estimate.
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 OpenNeuro ds006593 contributors · version 1.0.0, doi:10.18112/openneuro.ds006593.v1.0.0; original author credits retained at the linked source.
许可 CC0-1.0 ↗
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 锁定的 CC0 版本,有该数据集专属的 IRB 批准与同意书证据,元数据暴露相对较少。Pinned CC0 release with dataset-specific IRB and consent evidence and comparatively low metadata exposure.
权利审查于 · 依据 doi.org ↗ · nemar.org ↗
parallel-fixed-subject-folds-v1/ds00659330762120c57bede9f47d2e96637656e8948fca458016f7f2e3a39f951a357716a63a7ba5bbd6dd7865ae260b707c2db896136646a910d96516fa5c862e1146c0bf6796dfe04dffa57bdd08933d2bb743722da71594135f04fa4fc33f3fb7dd464310329a2d6dddaeff64a965750b64237b08220fc23717b1f3d0c1a48f56b055ce1ee2a0345358c613aa89298c1cb90939df15d68d6c48298b99f9daa7f69e82a216bfac4ce6dd11c63d499b58bc93aebb89025168911b5d7d7fe265a866da4cf5a1c3dab4a7e265fa3413ada48edc89b9fd4ac98ab7dc0d0f9279761e7e0a9e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. P300 目标 ERP(ds006593)[EB/OL]. (2026-11-06). https://bci.report/zh/protocols/p300-target/
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)