问题

证据能回答的问题

根据已发布的解码结果作答,每个回答都附被试数、区间与局限。

同一问题下的数字常常来自同一批被试:它们是该问题所用协议内的重复条件。

迁移

换了传感器、显示设备、电极布局或记录会话,或者人在运动时,解码器还管用吗?

传感器迁移

干电极与湿电极

同一批 102 名被试、两种原生八通道记录之间,解码器迁移过去会发生什么?

2 秒 SSVEP · 12 个目标 · 平衡准确率查看证据 →
场景迁移

从屏幕到 VR

同样 21 名被试,在电脑屏幕上校准、在 VR 头显里测试,反之亦然:给出的是切换之后达到的水平,没有同一显示设备上的分数可供比较。另有:P300 解码器在一种图像呈现速率下训练、在另一种速率下测试。

P300 · VR 中 21 名被试 · 跨图像速率 9 名被试查看证据 →
电极布局

更少的电极

睡眠分期里耳道内对头皮,睁闭眼任务里后部 4 个对全部 16 个电极,基础模型编码器在 BETA 上用 8 个与 4 个电极,以及在 BETA 上模拟电极帽整体偏移一个电极间距:都是具体研究记录中的通道组合。

两项配对比较 · 10 名与 19 名被试 · BETA 8 与 4 个电极,70 名被试 · 模拟电极帽偏移查看证据 →
运动鲁棒性

移动中的解码

站立、行走与跑动时的结果,头皮与耳部记录、互不兼容的时间窗分开呈现。

SSVEP 平衡准确率 · ERP ROC AUC查看证据 →
跨会话迁移 · 同一被试

后续会话

用同一个人较早的会话训练、在较晚的会话上测试,不使用后一次会话的任何标签:跨记录会话的运动想象(简单基线与冻结的 CBraMod);在发布者标称的后续访次上的目标检测;以及连续光标追踪——在这里,一个常数基线反而更好。

运动想象,WBCIC-SHU,51 与 11 名被试 · RSVP,15 名被试 · 光标追踪,阴性结果查看证据 →

调整模型

解码器需要多少校准、预训练模型该更新哪一部分、预训练有没有帮助、一个模型能否回答多个问题(包括用文字提出的问题),以及解码器靠什么回答没训练过的 SSVEP 频率。

校准预算

需要多少校准?

可穿戴 SSVEP 任务上的 12、24 或 48 个校准试次,以及同一被试下一次运动想象会话中最多 40 个校准试次:增益因方法而异,也有人下降。

SSVEP · 102 名被试 · 运动想象,下一次会话 · 51 名被试查看证据 →
模型适配

该更新哪一部分?

新被试、同一任务、不使用测试被试的任何标签:LaBraM 只训分类头、最后一个 Transformer 块还是 LoRA,与核心矩阵中冻结编码器的结果并排给出。另有:次日实验,已运行,暂缓发布。

EEGMAT,36 名被试 · 三种更新方式 · 次日:暂缓查看证据 →
表征对照

预训练有用吗?

在固定与训练集内选定两种分类头设置下,对比匹配的预训练编码器与随机初始化编码器,另有五个检查点在三个任务上做了同样的对照。另有更多基础模型按同样的冻结方案评测:睡眠分期上有 3 个检查点和 EEGPT(差距很窄)高于所有已发布的行,BETA 上没有一个高于免训练的 CCA。

三个任务 · 八种编码器 · 三次随机初始化 · 另外 23 个检查点查看证据 →
共享编码器 · 第二条路线

一个模型,多个问题

一个共享编码器、每个问题配一个固定输出,对比“知道自己在回答哪个问题”的分类头,以及每个问题单独一个模型,数据量与计算量保持一致——并给出每种设置的代价。

运动想象,OpenBMI,51 名被试 · 睡眠,BOAS · EESM19,粗略重复查看证据 →
用语言提问 · 第三条路线

用语言提问

冻结 EEG 特征上的一个小分类头,每个问题分别用题号、标签模板或描述提出:只对训练过的问题成立,而且不是在每个数据集上都成立。

SSVEP,BETA,70 名被试 · 睡眠,BOAS · 次要:EESM19、OpenBMI、Wearable-102查看证据 →
第三条路线 · 后续检验

没见过的 SSVEP 频率

十四项后续检验:十三项在第三条路线所用的 BETA 队列上,五项在 Wearable-102 上,其中一项只在那里运行。读参考谱或刺激相位的分类头远低于无需训练的 CCA;在 CCA 之上加一个小的学习修正,在 BETA 上有所提高,在 Wearable-102 上变化很小;同样无需训练的滤波器组 CCA 在所测的每种设置下都高于 CCA,无需训练的谐波求和与学习得到的特征值分类头几乎持平。

SSVEP,BETA,70 名被试 · 8 个留出频率 · Wearable-102,102 名被试查看证据 →

可靠性与临床

解码器什么时候不该执行,睡眠分期中准确率掩盖了什么,静息态 EEG 对一个临床分组能说明什么,以及把公开数据集从头到尾核一遍后文件里能看到什么。

拒识 · 决策研究

何时不该执行

指令检出率与误触发率一起读;在两个协议上测量解码器什么时候该拒绝作出决定;以及决策研究计划和它的三条路线。

空闲,4 人试点 · 非控制状态,20 名被试 · 可靠的决策,36 与 70 名被试查看证据 →
睡眠分期 · 简单基线

睡眠分期的失衡

25 名健康被试与 55 名睡眠呼吸暂停患者,两个简单基线,作为两项独立实验:准确率与平衡准确率并排,以及分期器从未预测过的那一期。

Dreem DOD-H 与 DOD-O · 25 晚与 55 晚 · 平衡准确率查看证据 →
临床研究

临床分组

149 名被试的帕金森病与对照比较,与一个只用年龄和性别的对照基线并排给出;两者都不是诊断。

149 名被试 · 单中心 · 平衡准确率查看证据 →
数据质量与可复现性

从头核到尾

公开 EEG 数据集,都从文件本身读起:Shin2022 先清点 run、重复文件与有效时间窗,再做整名被试留出的检验,EEG 一组与只读试次时长的对照相差无几;Kim beta 频段 SSVEP 与 eldBETA 全部被试上不需要训练的 CCA,eldBETA 另附滤波器组 CCA;MIND 的存储标记,以记录编号为单位读取;Damm 与 NeBULA 两个单人案例,只给计数、没有分数;以及 ZuCo 一个转换后记录的时间问题,暂缓。

Shin2022,10 名被试 · Kim beta 频段 · MIND · eldBETA,100 名被试 · 单人案例,只给计数 · ZuCo,只发状态查看证据 →
决策研究Jev 式提问用在脑电上:证据“Jev-style”(Jev 式)在这里指把 TypeSafe 的 Jev 这类决策模型的接口用在 EEG 上:一段记录只编码一次,再回答关于它的多个明确的、规定输出类型的问题,每个回答都带一个概率。三条路线,每一条都由本站在公开 EEG 数据上自己的运行来回答。查看证据 →

迁移覆盖

哪些迁移已经测量过

训练与测试之间改变了什么,以及本站对此有没有证据。
改变的是已测量只发状态暂缓未测量
被试新被试:用其他人训练,在训练中没见过的人身上测试无无
会话 / 天同一被试,换一次会话或换一天
  • 跨会话试点n=1只有一名被试:任何分数都是这个人的分数,所以不发布。
  • 次日适配已运行并通过独立复核;因许可与伦理审查暂缓。
无
传感器 / 电极布局换一种传感器或另一组电极无无
  • 从一款头戴设备或放大器换到另一款这里的每一次传感器变化,都发生在同一项研究自己的设备之内。
场景换显示设备、身体运动、图像速率、语言或刺激频率无无无
数据集在一个数据集上训练,在另一个上测试
  • 从 BETA 到 Wearable-102,SSVEPn=102同时变化:传感器在 BETA 上训练的模型原样用于 Wearable-102 的干、湿两种头带;数据文档无法排除有些人同时出现在两个数据集里。
无无无

n 是每一项背后的被试数;两个数(n=24 / 17)表示同一项背后的两项分析或两个队列,大的在前。“配对比较”:两组电极在同一批数据上分别评分。“同时变化”:同一对比中还有什么一起变了。

被试数取自已审核的下载文件: deployment-topics.json · adaptation-update.json · foundation-models-update.json · clinical-update.json · clinical-iesseeg-update.json · clinical-aseeg-update.json · large-source-update.json · beyond-scalp-update.json · data-quality-update.json · pilot-studies-update.json · neurolm-eegmat-update.json · neurorvq-update.json · later-sessions-update.json · context-update.json · evidence-update.json · electrode-shift-update.json · extension-update.json · new-ssvep-frequencies-update.json · 完整暂缓登记册 →