BCI Report湿电极 · 12 个校准试次
15.3%
平衡准确率 15.3%被试平均平衡准确率
95% 区间 13.7%–17.1%校准预算 · 同一次会话与下一次会话
EEG 解码器需要多少校准数据？
在 12 目标可穿戴协议上，仅用目标被试数据的 spectral ridge（频谱特征岭回归）逐步提升，但始终偏低；单频带集成 TRCA 在湿电极上从 24 增加到 48 个校准试次时提升明显，在干电极上只有小幅提升。在同一批被试的两次会话之间，新会话的少量校准试次使一个运动想象基线平均有所提升，但仍有人下降；另一个基线的提升不能认定。
测量所用数据集：Wearable SSVEP BCI dataset (dry and wet electrodes)、OpenBMI motor imagery (Lee et al. 2019) · 方法：CCA、eTRCA
简答
取决于方法，也取决于测试离校准有多远。在同一次会话内——12 目标的可穿戴 SSVEP 任务，同样 102 名被试、相同的后续测试组块——目标被试校准试次从 24 增加到 48 时，单频带 eTRCA 在湿电极记录上的平衡准确率从 39.8% 升到 64.0%，在干电极记录上只从 12.4% 升到 15.1%；校准后的 eTRCA 没有一个超过免训练的 CCA 参考（湿电极 81.1%，干电极 65.1%）；这里的 eTRCA 只用一个固定频带，而不是原方法的滤波器组。跨会话时——OpenBMI 运动想象，用每名被试的第一次会话训练、在第二次会话上测试——加入第二次会话的 40 个校准试次后，对数协方差解码器的平衡准确率平均提升 +4.6 pp（pp 即百分点；51 名被试，区间 +2.3 至 +6.9 pp），但仍有 13 人下降；相对 PSD 解码器提升 +1.7 pp，区间包含零，所以这一提升不能认定，且有 16 人下降。
CCA · 0 个校准试次湿电极记录 · 免训练参考
81.1% (77.2%–84.8%)
Spectral ridge · 12 个校准试次湿电极记录 · 仅用目标被试数据
15.3% (13.7%–17.1%)
Spectral ridge · 24 个校准试次湿电极记录 · 仅用目标被试数据
18.2% (15.9%–20.7%)
Spectral ridge · 48 个校准试次湿电极记录 · 仅用目标被试数据
21.3% (18.3%–24.5%)
单频带 eTRCA · 24 个校准试次湿电极记录 · 仅用目标被试数据
39.8% (34.1%–45.8%)
单频带 eTRCA · 48 个校准试次湿电极记录 · 仅用目标被试数据
64.0% (57.1%–70.7%)
CCA · 0 个校准试次干电极记录 · 免训练参考
65.1% (60.0%–70.0%)
Spectral ridge · 12 个校准试次干电极记录 · 仅用目标被试数据
15.0% (13.6%–16.5%)
Spectral ridge · 24 个校准试次干电极记录 · 仅用目标被试数据
18.3% (16.3%–20.7%)
Spectral ridge · 48 个校准试次干电极记录 · 仅用目标被试数据
21.8% (19.3%–24.5%)
单频带 eTRCA · 24 个校准试次干电极记录 · 仅用目标被试数据
12.4% (10.4%–15.0%)
单频带 eTRCA · 48 个校准试次干电极记录 · 仅用目标被试数据
15.1% (12.6%–18.2%)
仅用目标被试数据的 spectral ridge
12、24 与 48 个校准试次
每名目标被试的模型只用该被试自己的有标签校准记录训练。所有条件都在相同的后续组块（第 5–10 组块）上评测，共 102 名被试、7,344 个测试试次。
湿电极 · 24 个校准试次
18.2%
平衡准确率 18.2%被试平均平衡准确率
95% 区间 15.9%–20.7%湿电极 · 48 个校准试次
21.3%
平衡准确率 21.3%被试平均平衡准确率
95% 区间 18.3%–24.5%干电极 · 12 个校准试次
15.0%
平衡准确率 15.0%被试平均平衡准确率
95% 区间 13.6%–16.5%干电极 · 24 个校准试次
18.3%
平衡准确率 18.3%被试平均平衡准确率
95% 区间 16.3%–20.7%干电极 · 48 个校准试次
21.8%
平衡准确率 21.8%被试平均平衡准确率
95% 区间 19.3%–24.5%试次数不等于分钟数。
单独的对照组
零个校准试次，即仅源域迁移
校准预算为零的 spectral ridge 各行，使用的是在其他被试、单一源传感器上训练好的模型。
| 训练来源 | 在湿电极上测试 | 在干电极上测试 |
|---|---|---|
| 以湿电极为源域仅使用其他被试 | 39.2%35.4%–43.0% | 35.4%32.0%–39.0% |
| 以干电极为源域仅使用其他被试 | 39.0%35.2%–42.9% | 37.2%33.6%–40.9% |
eTRCA 与 CCA
单频带 eTRCA 的反应不同
仅用目标被试数据的 eTRCA 组使用 24 或 48 个校准试次，并在相同的后续测试组块上评测。零校准试次的 CCA 是免训练参考方法。
+24.2 pp湿电极 eTRCA：48 减 24 个校准试次（pp 为百分点）
增加校准预算对湿电极帮助大得多
被试配对区间为 +19.7 至 +28.8 pp。干电极 eTRCA 提升了 +2.7 pp，区间 +1.3 至 +4.2 pp。两个校准后的结果都没有超过同一测试组块上的免训练 CCA 参考。
| 方法与目标被试校准试次 | 湿电极 | 干电极 |
|---|---|---|
| CCA · 0 个校准试次直接作用于目标记录的免训练参考 | 81.1%77.2%–84.8% | 65.1%60.0%–70.0% |
| 单频带 eTRCA · 24 个校准试次仅用目标被试数据适配 | 39.8%34.1%–45.8% | 12.4%10.4%–15.0% |
| 单频带 eTRCA · 48 个校准试次仅用目标被试数据适配 | 64.0%57.1%–70.7% | 15.1%12.6%–18.2% |
下一次会话 · OpenBMI 运动想象
下一次会话：少量校准试次能帮多少？
这一结果与上面的 SSVEP 结果分开解读：数据集、任务和测试都不同。在 OpenBMI 中，被试在两次会话中都做左手与右手的运动想象。每名被试的解码器用其第一次会话训练——前 80 个试次拟合分类器，后 20 个用于概率校准——再加入其第二次会话最前面的 0、10、20 或 40 个校准试次，并在第二次会话最后的 60 个试次上测试。每档预算都在这些相同的试次上测试。
评测的被试
51
采集 54 人，减去 1 人工程排除、2 人因输入质量暂缓。
留出的测试试次
3,060
每人 60 个，即第二次会话最后的试次。
预测任务
408
每名被试 × 两个基线 × 四档预算；没有一个失败。
| 第二次会话校准试次 | 对数协方差 + 收缩 LDA | 相对 PSD + 标准化岭回归 |
|---|---|---|
| 无 · 只用第一次会话 | 67.9%95% 区间 63.6%–72.4% | 57.3%95% 区间 54.4%–60.5% |
| 10 个试次 | 69.1%95% 区间 64.8%–73.5% | 57.4%95% 区间 54.5%–60.5% |
| 20 个试次 | 69.2%95% 区间 65.3%–73.4% | 57.9%95% 区间 55.2%–60.8% |
| 40 个试次 | 72.4%95% 区间 68.9%–76.2% | 59.0%95% 区间 56.0%–62.1% |
+4.6 pp对数协方差 LDA：40 个第二次会话校准试次减不加，相同的 51 名被试
平均更好——但对一些人仍然更差
配对区间 +2.3 至 +6.9 pp，高于零。然而 51 名被试中仍有 13 人加入这些试次后得分更低，其中 6 人下降 5 pp 及以上。相对 PSD 基线的平均变化为 +1.7 pp（−0.1 至 +3.5 pp）：区间包含零，所以这一提升不能认定；51 名被试中有 16 人下降，其中 6 人下降 5 pp 及以上。
| 比较 | 对数协方差 + 收缩 LDA | 相对 PSD + 标准化岭回归 |
|---|---|---|
| 10 个试次减不加 | +1.2 pp95% 区间 −0.6 至 +3.3 pp51 人中 21 人下降 · 8 人下降 5 pp 及以上区间包含零：不能认定。 | +0.1 pp95% 区间 −1.1 至 +1.2 pp51 人中 25 人下降 · 6 人下降 5 pp 及以上区间包含零：不能认定。 |
| 20 个试次减不加 | +1.4 pp95% 区间 −0.3 至 +3.2 pp51 人中 24 人下降 · 6 人下降 5 pp 及以上区间包含零：不能认定。 | +0.6 pp95% 区间 −0.9 至 +2.0 pp51 人中 19 人下降 · 10 人下降 5 pp 及以上区间包含零：不能认定。 |
| 40 个试次减不加 | +4.6 pp95% 区间 +2.3 至 +6.9 pp51 人中 13 人下降 · 6 人下降 5 pp 及以上 | +1.7 pp95% 区间 −0.1 至 +3.5 pp51 人中 16 人下降 · 6 人下降 5 pp 及以上区间包含零：不能认定。 |
同一固定方法下扩大的队列，不是独立的重复验证：原有的 40 名被试、结果不变，加上之后符合条件的全部 11 名被试。原有被试的一个更早快照已准备好，但从未在本站发布。
下一次会话结果的局限
一个数据集，离线
在线闭环控制、临床疗效、消费级头戴设备与精简的电极布局都在这项测试之外。
同一被试
每个模型都针对被测试的那个人拟合。
两个固定的 CPU 基线
没有超参搜索、没有根据分数重跑、没有剔除试次，也没有基础模型或微调（LoRA/PEFT）。它们是参照，不是上限。
逐人估计噪声大
每个人的变化只基于 60 个测试试次，而四档预算复用这些试次，所以某个人的下降可能只是噪声。
物理单位尚未确定
记录的物理幅值单位尚未确定，所以只用无量纲的输入：每个试次滤波到 8–30 Hz，协方差除以其迹，频带功率取占比。
逐点区间
以被试为单位的 bootstrap，10,000 次抽样，所有基线与预算共用，没有做多重比较校正。
OpenBMI motor imagery (Lee et al. 2019)
Min-Ho Lee, O-Yeon Kwon, Yong-Jeong Kim, Hong-Kyung Kim, Young-Eun Lee, John Williamson, Siamac Fazli and Seong-Whan Lee · EEG dataset and OpenBMI toolbox for three BCI paradigms: an investigation into BCI illiteracy, GigaScience (2019), giz002, doi:10.1093/gigascience/giz002. Data: Supporting data, GigaScience Database, doi:10.5524/100542.
论文的伦理批准部分写明：研究经高丽大学（Korea University）机构审查委员会批准（1040548-KUIRB-16-159-A-2），所有被试在实验前都签署了书面知情同意。这里只发布队列均值、配对变化，以及有多少人下降——从不发布是谁。
数据来源： large-source-update.json · schema bci-report-large-source-update-v1。
LaBraM 适配已有单独的页面
LaBraM 的适配结果（新被试、同一任务、不使用测试被试的任何标签）——只训分类头、最后一个 Transformer 块还是 LoRA——已移到单独的页面「新被试、第二天：预训练模型该更新哪一部分？」。
次日实验已移到模型适配页面
次日实验的状态——已运行、通过独立复核、暂缓发布、不公布任何数字——也在同一页面「新被试、第二天：预训练模型该更新哪一部分？」。
方法与局限
SSVEP 校准预算曲线的局限
预先指定的单一频带
eTRCA 使用固定的 6–80 Hz 预处理频带，而不是原方法的滤波器组（原论文与参考代码的教程都用 5 个子带），所以较低的分数并不代表 TRCA 经过优化后的上限。
描述性区间
bootstrap 区间概括的是本协议下的被试间分布，不包含重新训练带来的不确定性。
An Open Dataset for Wearable SSVEP-Based Brain-Computer Interfaces
Zhu, F., Jiang, L., Dong, G., Gao, X., & Wang, Y. (2021). An Open Dataset for Wearable SSVEP-Based Brain-Computer Interfaces (Version 4) [Data set]. Figshare. https://doi.org/10.6084/m9.figshare.13560281.v4
Zhu, F., Jiang, L., Dong, G., Gao, X., & Wang, Y. (2021). An Open Dataset for Wearable SSVEP-Based Brain-Computer Interfaces. Sensors, 21(4), 1256. https://doi.org/10.3390/s21041256
2026-09-20 获取的清华作者官方镜像快照 · CC BY 4.0。仅发布聚合结果。
数据来源： 已审核的聚合 JSON · schema bci-report-public-deployment-topics-v1。
引用本页
BCI Report. EEG 解码器需要多少校准数据？[EB/OL]. (2026-10-03). https://bci.report/zh/topics/calibration-budget/
数字来自发布 large-source-update-20261003（2026-10-03）、deployment-topics-20260920-v1（2026-09-20）。也请同时引用上游数据集：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）