核心矩阵协议 · 迁移到新被试

睡眠分期(EESM19 scalp subset)

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
Five stages · balanced scalp-EEG sample
评测方式
迁移到新被试
被试
20
数据量
3,000 epochs · 5 participant-disjoint folds
输入
6 channels · 30-second windows
随机水平
20.0%
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。

Spectral ridge
72.2% (70.7%–73.8%)
LaBraM
71.1% (69.0%–73.2%)
CBraMod
71.3% (68.7%–73.7%)
EEGNet
56.5% (54.9%–58.3%)
ShallowFBCSPNet
55.0% (53.1%–56.8%)
Deep4Net
45.2% (42.7%–47.7%)
CSP+LDA
50.1% (46.9%–53.1%)
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
Spectral ridge经典方法Supervised fit72.2%70.7%–73.8%0.705Mean across held-out participants6202.6 s
LaBraM基础模型Frozen encoder + ridge head71.1%69.0%–73.2%0.697Mean across held-out participants62011.5 s
CBraMod基础模型Frozen encoder + ridge head71.3%68.7%–73.7%0.702Mean across held-out participants62010.2 s
EEGNet轻量模型Scratch · 10 epochs56.5%54.9%–58.3%0.545Mean across held-out participants62090.4 s
ShallowFBCSPNet轻量模型 · 矩阵配方 · AdamW · Local Ubuntu / CUDA从头训练 · 10 个轮次55.0%53.1%–56.8%0.519Mean across held-out participants620—
Deep4Net轻量模型 · 矩阵配方 · AdamW · Local Ubuntu / CUDA从头训练 · 10 个轮次45.2%42.7%–47.7%0.419Mean across held-out participants620—
CSP+LDA经典方法 · 一对其余 CSP · 收缩 LDA · Local Ubuntu / CPU有监督拟合50.1%46.9%–53.1%0.483Mean across held-out participants620—

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:TS+LR、MDM。

两两协议对比

在「头皮睡眠分期」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 20.0%ShallowFBCSPNet55.0% [53.1–56.8]EEGNet56.5% [54.9–58.3]
已发布的配对差值ShallowFBCSPNet − EEGNet: −1.6 pp[−3.4, +0.4 pp]

95% 区间,未校正 · n = 20 名被试 · 配对区间包含零

对照为矩阵中单种子的 EEGNet 单元格;未包含训练方差

默认展示(头皮睡眠分期):ShallowFBCSPNet 平衡准确率 55.0%(95% 区间 53.1–56.8%);EEGNet 56.5%(95% 区间 54.9–58.3%);随机水平 20.0%。

查看已发布的配对差值表(共 8 对)
对比(左减右)配对均值差主区间被试数区间口径与说明
CSP+LDA − EEGNet−6.4 pp[−9.3, −3.3 pp]2095% 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−11.3 pp[−13.6, −9.0 pp]2095% 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−1.6 pp[−3.4, +0.4 pp]2095% 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+9.7 pp[+7.0, +12.7 pp]2095% 区间
Log band-power ridge − Spectral ridge−6.2 pp[−8.5, −3.9 pp]2095% 配对被试自助法区间(未校正)
LaBraM at Scale Quark-L − LaBraM at Scale Quark-B−1.8 pp[−3.3, −0.3 pp]2095% 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+2.5 pp[+1.0, +4.2 pp]2095% 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+0.7 pp[−0.9, +2.5 pp]2095% 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

按矩阵配方运行的 ShallowFBCSPNet、Deep4Net 与 CSP+LDA

方案
ShallowFBCSPNet、Deep4Net:矩阵配方 · AdamW;CSP+LDA:一对其余 CSP · 收缩 LDA
硬件
ShallowFBCSPNet、Deep4Net:Local Ubuntu / CUDA;CSP+LDA:Local Ubuntu / CPU

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)。

按矩阵配方运行的 ShallowFBCSPNet、Deep4Net 与 CSP+LDA

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
CSP+LDA − EEGNetCSP+LDA(一对其余 CSP)−6.4 pp−9.3 至 −3.3−10.8 至 −1.5更低
Deep4Net − EEGNet−11.3 pp−13.6 至 −9.0−14.7 至 −7.8更低
ShallowFBCSPNet − EEGNet−1.6 pp−3.4 至 0.4−4.7 至 1.5无法判定

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

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72.23%70.70%–73.80%0.705620
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66.00%63.03%–68.93%0.636620

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:−6.23 pp(−8.50 至 −3.90):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 ST-EEGFormer Large 之差(它是这项比较预先指定的 14 行冻结编码器中最高的一行,在同样的测试折上选出):−13.60 pp(−15.80 至 −11.37):低于。在测试折上选出这一行,使比较偏向不利于本行。

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。

Spectral ridge
72.2% (70.7%–73.8%)
LaBraM
71.1% (69.0%–73.2%)
CBraMod
71.3% (68.7%–73.7%)
EEGNet
56.5% (54.9%–58.3%)
REVE Base
74.6% (72.9%–76.4%)
REVE Large
76.6% (75.2%–78.0%)
LUNA Base
67.5% (65.3%–69.5%)
LUNA Large
72.4% (70.4%–74.0%)
BrainOmni Base
67.7% (65.8%–69.5%)
CodeBrain
70.7% (68.8%–72.7%)
EEGMamba
64.1% (61.6%–66.4%)
ST-EEGFormer Base
77.3% (75.6%–78.8%)
ST-EEGFormer Large
79.6% (78.2%–81.0%)
eeg-fm-masking MAE (r=9 cm, L=2)
67.9% (65.4%–70.4%)
ERP-FM Base
71.0% (69.5%–72.6%)
SingLEM
35.3% (33.7%–37.0%)
ZUNA 1.1
60.1% (57.8%–62.3%)
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 head74.6%72.9%–76.4%0.733620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 head76.6%75.2%–78.0%0.760620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 head67.5%65.3%–69.5%0.656620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 head72.4%70.4%–74.0%0.707620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 head67.7%65.8%–69.5%0.674620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 head70.7%68.8%–72.7%0.694620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 head64.1%61.6%–66.4%0.625620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 head77.3%75.6%–78.8%0.765620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 head79.6%78.2%–81.0%0.789620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 head67.9%65.4%–70.4%0.668620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 head71.0%69.5%–72.6%0.695620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 head35.3%33.7%–37.0%0.325620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 head60.1%57.8%–62.3%0.579620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 head67.9%65.4%–70.4%0.668620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 head70.3%68.0%–72.7%0.695620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 head65.2%63.0%–67.3%0.644620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 head68.3%65.7%–70.8%0.675620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。

Spectral ridge
72.2% (70.7%–73.8%)
LaBraM
71.1% (69.0%–73.2%)
CBraMod
71.3% (68.7%–73.7%)
EEGNet
56.5% (54.9%–58.3%)
EEGPT
75.5% (73.9%–77.1%)
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 head75.5%73.9%–77.1%0.748620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. 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.
  2. 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 / CPU72.1%70.3%–74.0%0.701—
Quark-LLocal Ubuntu / CPU70.3%68.0%–72.5%0.686—
Quark-HLocal Ubuntu / CPU72.9%71.5%–74.2%0.716—
Quark-G†Local Ubuntu / CUDA67.3%65.6%–68.9%0.670—
LaBraM at Scale · Atom-L 与 Molecule-L
Atom-LLocal Ubuntu / CPU72.7%70.6%–74.4%0.710—
Molecule-LLocal Ubuntu / CPU71.9%70.2%–73.4%0.697—
REVE Small · 早期检查点(共 200 轮中的第 15 轮)
REVE SmallLocal Ubuntu / CPU64.5%62.5%–66.6%0.626—

† 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

Balanced quality-screened scalp subset, not whole-night deployment prevalence and not ear-EEG. Frozen encoders average fifteen 2-second representations; EEGNet receives 10 epochs.

协议步骤

  1. 5 participant-disjoint folds. All recordings from a person stay together. Each person contributes to the held-out predictions once.
  2. Retain six named scalp electrodes; exclude mastoids. Drop any epoch with source per-channel missing-value flag in those six electrodes, actual nonfinite values, any channel std<0.01uV, or peak-to-peak>1000uV. Use full30s at200Hz, no further filtering/reference/amplitude transformation. Select up to30 evenly spaced eligible epochs per participant/class across available nights.
  3. One fixed seed (20260919); no early stopping or test-based tuning. EEGNet trains for 10 epochs per fold. Frozen encoders use training-only standardized ridge heads (alpha 100).
  4. Labels: Wake, N1, N2, N3, REM.
  5. Uniform-guessing reference: 20.00%. Scores weight participants equally. Intervals describe participant variation; cross-validation training sets overlap.
  6. Lightweight balanced quality-screened subset; scores do not describe natural sleep-stage prevalence or the entire73780epoch release.
  7. Two original corrupt sessions and boundary epochs were excluded by the uploader.
  8. 200Hz data may have finite replacements despite original missing-value flags; source flags are therefore enforced instead of relying on finite checks alone.
  9. One prediction per30s epoch. Frozen encoders pool15nonoverlapping2s segments; no sequence context across epochs.
  10. All nights from a participant remain together; pretraining overlap unknown.
  11. Quality thresholds fixed before any scores; source artifacts may remain.

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

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。 据 2025 年的数据描述论文,知情同意书没有提到公开发布;发布前,Region Midt(丹麦中部大区)的 GDPR 办公室判定这些数据已完全匿名化:同意书覆盖的是研究本身,公开发布依据的是这一匿名化判定。 完整的审查说明在协议 JSON 中 ↓

公开数据登记说明 上游 CC0 明确,研究伦理证据清楚;只使用锁定版本的头皮信号衍生数据,只发布聚合结果,并说明来源。同意书覆盖的是研究本身而不是公开发布;数据的公开依据是一项 GDPR 匿名化评估(2026-09-22 修订)。Clear upstream CC0 and study ethics evidence; use only the pinned scalp-signal derivative and publish aggregates, with provenance disclosed. Consent covered the study, not publication; the public release rests on a GDPR anonymization assessment (amended 2026-09-22).

权利审查于 · 依据 doi.org ↗ · www.nature.com ↗ · doi.org ↗

复现记录

协议 ID
parallel-fixed-subject-folds-v1/eesm19-scalp-sleep
数据集版本
Hugging Face processed mirror of OpenNeuro ds005185 1.0.2 · mirror fb045012b58a0b755f9fedf5931dff9b64a9797f · upstream 0857858f7a2ba1582930f23eca3ec56f90a96da9
硬件
Local Ubuntu / CUDA
评分阶段总耗时
114.7 s · 可能含加速器等待
审计记录 SHA-256
e6cbf1b199bf2902b9c46e4575ebfa8aff47952625df3d71a1d720b11cc27291
汇总 SHA-256
b7c784c17d6b33c16ffca5df42d3fd8f3d7bf14960675a7278089c4903886567
协议 SHA-256
dace8a98e480ae7ee890dd6f498d5753a90e1573813b6e174f3c14bcbae8a8ff

core-matrix-update-20261106 中的各行

按矩阵配方运行的 ShallowFBCSPNet、Deep4Net 与 CSP+LDA

协议 SHA-256
a216bfac4ce6dd11c63d499b58bc93aebb89025168911b5d7d7fe265a866da4c
审计记录 SHA-256
f5a1c3dab4a7e265fa3413ada48edc89b9fd4ac98ab7dc0d0f9279761e7e0a9e
硬件
Local Ubuntu / CUDA · Local Ubuntu / CPU
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. 睡眠分期(EESM19 scalp subset)[EB/OL]. (2026-11-06). https://bci.report/zh/protocols/sleep-scalp/

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)