# EEG 解码器需要多少校准数据？

校准预算 · 同一次会话与下一次会话

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。

- [已审核的聚合 JSON ↓](https://bci.report/data/deployment-topics.json)
- 

测量所用数据集： [Wearable SSVEP BCI dataset (dry and wet electrodes)](https://bci.report/zh/datasets/wearable-ssvep-102/)、[OpenBMI motor imagery (Lee et al. 2019)](https://bci.report/zh/datasets/openbmi/) · 方法： [CCA](https://bci.report/zh/methods/cca/)、[eTRCA](https://bci.report/zh/methods/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。

**同样 102 名被试的各档校准试次，均在相同的后续组块上测试。** 12 目标、两秒 SSVEP 上的被试平均平衡准确率。点为估计值，横线为被试 bootstrap 95% 区间，虚线为随机水平（12 选 1）。锈色行为湿电极记录，深色行为干电极记录。CCA 不使用校准试次；仅源域迁移是另一种机制，不在图中。

- 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 · 12 个校准试次

15.3%

被试平均平衡准确率

— 95% 区间 13.7%–17.1%

湿电极 · 24 个校准试次

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%

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%

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%

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%

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。

共同的后续测试组块（第 5–10 组块）上的被试平均平衡准确率 · 0 个目标被试校准试次。

| 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。

被试平均平衡准确率 · 原生 8 通道 · 2 秒 · 12 个目标。

| 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。

第二次会话最后同一批试次上的被试平均平衡准确率，51 名被试，附以被试为单位的 bootstrap 95% 区间。随机水平为 50.0%。每个格子的准确率与宏平均 F1 在下载文件中。

| 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。

与不加第二次会话试次相比，被试平均平衡准确率的变化；相同被试与测试试次，附配对的以被试为单位的 bootstrap 95% 区间——每个均值旁都给出有多少人下降。

| 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 pp (95% 区间 −0.6 至 +3.3 pp) (51 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 pp (95% 区间 −1.1 至 +1.2 pp) (51 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 pp (95% 区间 −0.3 至 +3.2 pp) (51 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 pp (95% 区间 −0.9 至 +2.0 pp) (51 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 pp (95% 区间 +2.3 至 +6.9 pp) (51 人中 13 人下降 · 6 人下降 5 pp 及以上) | +1.7 pp (95% 区间 −0.1 至 +3.5 pp) (51 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。

[GigaDB 数据集记录 ↗](https://doi.org/10.5524/100542) · [GigaScience 论文 ↗](https://doi.org/10.1093/gigascience/giz002) · [CC0-1.0](https://creativecommons.org/publicdomain/zero/1.0/)

数据来源： [large-source-update.json](https://bci.report/data/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？](https://bci.report/zh/topics/model-adaptation/#adaptation)」。

## 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？](https://bci.report/zh/topics/model-adaptation/#next-day)」。

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。

[数据集记录 ↗](https://figshare.com/articles/dataset/An_Open_Dataset_for_Wearable_SSVEP-Based_Brain-Computer_Interfaces/13560281) · [Sensors 论文 ↗](https://doi.org/10.3390/s21041256)

数据来源： [已审核的聚合 JSON](https://bci.report/data/deployment-topics.json) · schema bci-report-public-deployment-topics-v1。

继续探索

迁移

- [— 传感器迁移 **干电极与湿电极**](https://bci.report/zh/topics/dry-vs-wet/)
- [— 场景迁移 **从屏幕到 VR**](https://bci.report/zh/topics/screen-to-vr/)
- [— 电极布局 **更少的电极**](https://bci.report/zh/topics/fewer-electrodes/)
- [— 运动鲁棒性 **移动中的解码**](https://bci.report/zh/topics/on-the-move/)
- [— 跨会话迁移 · 同一被试 **后续会话**](https://bci.report/zh/topics/later-sessions/)

调整模型

- [— 校准预算 **需要多少校准？**](https://bci.report/zh/topics/calibration-budget/)
- [— 模型适配 **该更新哪一部分？**](https://bci.report/zh/topics/model-adaptation/)
- [— 表征对照 **预训练有用吗？**](https://bci.report/zh/topics/does-pretraining-help/)
- [— 共享编码器 · 第二条路线 **一个模型，多个问题**](https://bci.report/zh/topics/shared-encoder/)
- [— 用语言提问 · 第三条路线 **用语言提问**](https://bci.report/zh/topics/questions-in-language/)
- [— 第三条路线 · 后续检验 **没见过的 SSVEP 频率**](https://bci.report/zh/topics/new-ssvep-frequencies/)

可靠性与临床

- [— 拒识 · 决策研究 **何时不该执行**](https://bci.report/zh/topics/when-not-to-act/)
- [— 睡眠分期 · 简单基线 **睡眠分期的失衡**](https://bci.report/zh/topics/sleep-staging/)
- [— 临床研究 **临床分组**](https://bci.report/zh/topics/clinical-groups/)
- [— 数据质量与可复现性 **从头核到尾**](https://bci.report/zh/topics/data-quality/)

其他信号与试点

- [— 其他信号 · 人类与猕猴 **头皮 EEG 之外**](https://bci.report/zh/topics/beyond-scalp-eeg/)
- [— 试点研究 · 小样本 **试点研究**](https://bci.report/zh/topics/pilot-studies/)

[全部问题与迁移覆盖地图 →](https://bci.report/zh/topics/)

## 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`](https://bci.report/zh/releases/#large-source-update-20261003)（2026-10-03）、[`deployment-topics-20260920-v1`](https://bci.report/zh/releases/#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](https://doi.org/10.5281/zenodo.23123296)。 [本站及各次发布的 BibTeX →](https://bci.report/zh/api/#cite-heading) · [CITATION.cff ↗](https://raw.githubusercontent.com/twu3202/bci-report/main/CITATION.cff)（英文）

---
本文是 https://bci.report/zh/topics/calibration-budget/ 的 Markdown 版本，由已发布的网页生成。数字均为聚合结果；使用条款见 https://bci.report/data-use/（英文）。