# 预训练对 LaBraM、CBraMod 这类 EEG 基础模型有帮助吗？

表征对照 · 匹配的冻结编码器

有时有用。CBraMod 与 EEGPT 在两个任务、两种分类头设置下都有提升；LaBraM 在脑力负荷上有提升，在运动想象/静息上没有。另外 11 个基础模型按同样的冻结方案做了比较。

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

测量所用数据集： [ds003810](https://bci.report/zh/datasets/ds003810/)、[EEGMAT](https://bci.report/zh/datasets/eegmat/)、[BETA](https://bci.report/zh/datasets/beta/)、[ds006593](https://bci.report/zh/datasets/ds006593/)、[TMNRED / ds005383](https://bci.report/zh/datasets/tmnred/)、[EESM19 scalp subset](https://bci.report/zh/datasets/eesm19/) · 方法： [EEGNet](https://bci.report/zh/methods/eegnet/)、[LaBraM](https://bci.report/zh/methods/labram/)、[CBraMod](https://bci.report/zh/methods/cbramod/)、[CCA](https://bci.report/zh/methods/cca/)、[REVE](https://bci.report/zh/methods/reve/)、[LUNA](https://bci.report/zh/methods/luna/)、[BrainOmni](https://bci.report/zh/methods/brainomni/)、[CodeBrain](https://bci.report/zh/methods/codebrain/)、[EEGMamba](https://bci.report/zh/methods/eegmamba/)、[ST-EEGFormer](https://bci.report/zh/methods/st-eegformer/)、[eeg-fm-masking](https://bci.report/zh/methods/eeg-fm-masking/)、[ERP-FM](https://bci.report/zh/methods/erp-fm/)、[SingLEM](https://bci.report/zh/methods/singlem/)、[ZUNA](https://bci.report/zh/methods/zuna/)、[EEGPT](https://bci.report/zh/methods/eegpt/)

## 简答

有时有用，取决于编码器和任务：在编码器冻结、固定分类头的设置下，预训练 CBraMod 的平衡准确率比三次随机初始化的均值高 **+6.39 pp**（百分点；运动想象/静息，**10** 名被试）和 **+5.90 pp**（脑力负荷，**36** 名被试），预训练 EEGPT 在这两项任务上比它自己的随机初始化分别高 **+4.25 pp** 和 **+6.45 pp**，预训练 LaBraM 在脑力负荷上高 **+8.12 pp**，这五项的配对 95% 区间都在零以上。在运动想象/静息上，LaBraM 的差值为 **−2.42 pp**，区间跨过零；换成训练集内选定分类头时为 **−3.56 pp**，区间整体低于零。这两个基准数据集都不在 LaBraM、CBraMod 或 EEGPT 作者公开的预训练数据清单中（2026-10-04 核查；EEGPT 的清单于 2026-10-12 核查）。这项比较限于这两个任务和冻结编码器。另外 11 个基础模型按同样的冻结方案运行，没有随机初始化对照。在睡眠分期上（**20** 名被试），REVE Large、ST-EEGFormer Base、ST-EEGFormer Large（**76.6%**、**77.3%**、**79.6%**）高于所有已发布的行，包括 spectral ridge 的 **72.2%**；EEGPT 也是如此，但它区间的下限只比 spectral ridge 区间的上限高 **0.10 pp**；在 BETA 上，没有一个高于免训练的 CCA（**63.1%**）；在 EEGMAT 上，冻结读出与 LoRA 给出的编码器顺序不一致。

**预训练减随机初始化：运动想象/静息 10 名被试，脑力负荷 36 名被试。** 被试平均平衡准确率之差，单位为百分点（pp）：预训练编码器减三次随机初始化的均值，架构冻结、数据划分相同。点为差值，横线为被试配对 bootstrap 95% 区间（数值见各行标签下方），虚线为零（没有差别）。深色行为固定分类头，锈色行为训练集内选定分类头。

- LaBraM · 运动想象 / 静息 — 固定分类头 · −5.94 至 +1.03 pp: −2.42 pp
- LaBraM · 运动想象 / 静息 — 训练集内选定分类头 · −7.00 至 −0.19 pp: −3.56 pp
- CBraMod · 运动想象 / 静息 — 固定分类头 · +3.06 至 +9.50 pp: +6.39 pp
- CBraMod · 运动想象 / 静息 — 训练集内选定分类头 · +4.53 至 +11.11 pp: +7.89 pp
- EEGPT · 运动想象 / 静息 — 固定分类头 · +0.75 至 +7.44 pp: +4.25 pp
- EEGPT · 运动想象 / 静息 — 训练集内选定分类头 · +0.72 至 +7.08 pp: +3.92 pp
- LaBraM · 脑力负荷 — 固定分类头 · +4.97 至 +11.40 pp: +8.12 pp
- LaBraM · 脑力负荷 — 训练集内选定分类头 · +4.74 至 +11.42 pp: +7.99 pp
- CBraMod · 脑力负荷 — 固定分类头 · +2.31 至 +9.57 pp: +5.90 pp
- CBraMod · 脑力负荷 — 训练集内选定分类头 · +3.12 至 +10.43 pp: +6.73 pp
- EEGPT · 脑力负荷 — 固定分类头 · +2.61 至 +10.59 pp: +6.45 pp
- EEGPT · 脑力负荷 — 训练集内选定分类头 · +4.40 至 +10.40 pp: +7.38 pp

预训练贡献的配对对比

## 预训练减随机初始化，分类头条件保持一致

每个随机初始化的架构都对三个初始化种子取平均。预训练与随机初始化编码器使用相同的数据划分、池化方式和岭回归分类头。

被试平均平衡准确率之差。区间为被试配对 bootstrap 区间，以三次随机初始化为条件。

| 任务 / 模型 | 固定 alpha 100 | 训练集内选定 alpha |
| --- | --- | --- |
| LaBraM — 运动想象 / 静息 · n=10 | −2.42 pp (−5.94 至 +1.03 pp) | −3.56 pp (−7.00 至 −0.19 pp) |
| CBraMod — 运动想象 / 静息 · n=10 | +6.39 pp (+3.06 至 +9.50 pp) | +7.89 pp (+4.53 至 +11.11 pp) |
| EEGPT — 运动想象 / 静息 · n=10 | +4.25 pp (+0.75 至 +7.44 pp) | +3.92 pp (+0.72 至 +7.08 pp) |
| LaBraM — 脑力负荷 · n=36 | +8.12 pp (+4.97 至 +11.40 pp) | +7.99 pp (+4.74 至 +11.42 pp) |
| CBraMod — 脑力负荷 · n=36 | +5.90 pp (+2.31 至 +9.57 pp) | +6.73 pp (+3.12 至 +10.43 pp) |
| EEGPT — 脑力负荷 · n=36 | +6.45 pp (+2.61 至 +10.59 pp) | +7.38 pp (+4.40 至 +10.40 pp) |

实测分数

## 两种分类头设置下的分数

分类头的超参数只在嵌套交叉验证的内层训练被试上选择。

固定分类头 · alpha 100 · 被试平均平衡准确率。

| 任务 / 模型 | 预训练编码器 | 随机初始化编码器均值 | 配对差值 |
| --- | --- | --- | --- |
| LaBraM — 运动想象 / 静息 | 53.5% | 55.9% — 3 次初始化 | −2.42 pp (−5.94 至 +1.03 pp) |
| CBraMod — 运动想象 / 静息 | 62.9% | 56.5% — 3 次初始化 | +6.39 pp (+3.06 至 +9.50 pp) |
| EEGPT — 运动想象 / 静息 | 58.3% | 54.1% — 3 次初始化 | +4.25 pp (+0.75 至 +7.44 pp) |
| LaBraM — 脑力负荷 | 64.6% | 56.5% — 3 次初始化 | +8.12 pp (+4.97 至 +11.40 pp) |
| CBraMod — 脑力负荷 | 62.3% | 56.4% — 3 次初始化 | +5.90 pp (+2.31 至 +9.57 pp) |
| EEGPT — 脑力负荷 | 65.7% | 59.2% — 3 次初始化 | +6.45 pp (+2.61 至 +10.59 pp) |

训练集内选定分类头 · alpha 100 / 10,000 / 1 · 被试平均平衡准确率。

| 任务 / 模型 | 预训练编码器 | 随机初始化编码器均值 | 配对差值 |
| --- | --- | --- | --- |
| LaBraM — 运动想象 / 静息 | 52.9% | 56.5% — 3 次初始化 | −3.56 pp (−7.00 至 −0.19 pp) |
| CBraMod — 运动想象 / 静息 | 62.7% | 54.9% — 3 次初始化 | +7.89 pp (+4.53 至 +11.11 pp) |
| EEGPT — 运动想象 / 静息 | 57.0% | 53.1% — 3 次初始化 | +3.92 pp (+0.72 至 +7.08 pp) |
| LaBraM — 脑力负荷 | 64.4% | 56.5% — 3 次初始化 | +7.99 pp (+4.74 至 +11.42 pp) |
| CBraMod — 脑力负荷 | 68.4% | 61.7% — 3 次初始化 | +6.73 pp (+3.12 至 +10.43 pp) |
| EEGPT — 脑力负荷 | 66.0% | 58.6% — 3 次初始化 | +7.38 pp (+4.40 至 +10.40 pp) |

EEGPT 的各行：它在固定分类头下的预训练各行，就是它在这两个协议上的核心矩阵单元格（同一批预测），所以那些单元格的说明在这里同样成立。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. 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. ds003810 的采样率为 125 Hz；它的时间窗上采样到 256 Hz 后送入编码器，所以不含 62.5 Hz 以上的成分。 ds003810 is recorded at 125 Hz; its windows reach the encoder upsampled to 256 Hz, so they carry nothing above 62.5 Hz.

固定的经典方法对照

52.3%

对数协方差岭回归 · 运动想象 / 静息

— 95% 区间 48.5%–56.4%

固定的经典方法对照

61.9%

对数协方差岭回归 · 脑力负荷

— 95% 区间 56.2%–67.6%

训练随机种子敏感性

## EEGNet 在三个训练随机种子下的结果

五个已有的 EEGNet 协议在 MPS 后端上用三个固定随机种子重新运行。这个范围是小样本的训练敏感性检查，不是总体层面的区间；已发布的点估计仍以原值为准。

三个训练随机种子下的平衡准确率。样本标准差与极差的单位为百分点。

| 协议 | 三次运行 | 均值 | 样本标准差 | 极差 |
| --- | --- | --- | --- | --- |
| 语义 ERP — n=30 · 3,600 个试次 | 60.50% / 60.42% / 60.33% | 60.42% | 0.08 pp | 0.17 pp — 60.33%–60.50% |
| P300 — n=21 · 2,520 个试次 | 55.79% / 50.36% / 52.06% | 52.74% | 2.78 pp | 5.44 pp — 50.36%–55.79% |
| 头皮睡眠分期 — n=20 · 3,000 个试次 | 57.33% / 54.43% / 51.60% | 54.46% | 2.87 pp | 5.73 pp — 51.60%–57.33% |
| BETA · 选定 4 通道 — n=70 · 11,200 个试次 | 44.77% / 44.42% / 45.03% | 44.74% | 0.30 pp | 0.61 pp — 44.42%–45.03% |
| BETA · 选定 8 通道 — n=70 · 11,200 个试次 | 56.54% / 56.73% / 56.99% | 56.75% | 0.23 pp | 0.46 pp — 56.54%–56.99% |

四个种子敏感性数据集的作者、版本、许可与来源记录，见[数据使用与隐私 → 核心与部署来源（英文）](https://bci.report/data-use/#sources)。

冻结探针比较

## 更多基础模型编码器（冻结）

另外 11 个 EEG 基础模型（共 16 个编码器检查点）被换进已发布的 LaBraM 与 CBraMod 冻结方案，时间窗、被试、折、岭回归分类头和评分方式都相同，没有随机初始化对照。

睡眠分期与 BETA 的表格中也列有 EEGPT，来自它自己的发布：它与已发布的 LaBraM、CBraMod 各行出自同一批运行，只替换了编码器；它的随机初始化对照见上面几节。

只有两行的 95% 区间不重叠时，才说一行高于或低于另一行；更多编码器的冻结单元格共有 126 个，EEGPT 另有 8 个，偶尔出现不重叠，本身就在随机误差的预料之中。

### 睡眠分期：4 个新编码器高于所有已发布的行

在核心矩阵的睡眠协议上（EESM19 头皮子集，20 名被试，6 个通道，随机水平 20.0%），REVE Large、ST-EEGFormer Base、ST-EEGFormer Large 完全高于所有已发布的行——已发布的非基础模型行中点估计最高的 spectral ridge（72.2%，70.7%–73.8%）、冻结的 LaBraM 与 CBraMod 两行，以及 EEGNet。EEGPT 也高于所有已发布的行，但差距很窄：它区间的下限 73.9% 只比 spectral ridge 区间的上限高 0.10 pp。在 7 个有分数的协议中，只有睡眠分期上有新行高过已发布的非基础模型行中点估计最高的那一行。其余新行与已发布的行重叠，或低于它们。

**睡眠分期上已发布的行（核心矩阵）：** 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%）

睡眠分期 · 冻结编码器加岭回归分类头 · 平衡准确率及其描述性 95% 区间。

| 编码器 | 平衡准确率 | 与 LaBraM、CBraMod 和 spectral ridge 相比 |
| --- | --- | --- |
| [REVE Base](https://bci.report/zh/methods/reve/) | 74.6% (72.9%–76.4%) | 与三者都重叠 |
| [REVE Large](https://bci.report/zh/methods/reve/) | 76.6% (75.2%–78.0%) | 高于三者 |
| [LUNA Base](https://bci.report/zh/methods/luna/) | 67.5% (65.3%–69.5%) | 与 LaBraM、CBraMod 重叠；低于 spectral ridge |
| [LUNA Large](https://bci.report/zh/methods/luna/) | 72.4% (70.4%–74.0%) | 与三者都重叠 |
| [BrainOmni Base](https://bci.report/zh/methods/brainomni/) | 67.7% (65.8%–69.5%) | 与 LaBraM、CBraMod 重叠；低于 spectral ridge |
| [CodeBrain](https://bci.report/zh/methods/codebrain/) | 70.7% (68.8%–72.7%) | 与三者都重叠 |
| [EEGMamba](https://bci.report/zh/methods/eegmamba/) | 64.1% (61.6%–66.4%) | 低于三者 |
| [ST-EEGFormer Base](https://bci.report/zh/methods/st-eegformer/) | 77.3% (75.6%–78.8%) | 高于三者 |
| [ST-EEGFormer Large](https://bci.report/zh/methods/st-eegformer/) | 79.6% (78.2%–81.0%) | 高于三者 |
| [eeg-fm-masking MAE (r=9 cm, L=2)](https://bci.report/zh/methods/eeg-fm-masking/) | 67.9% (65.4%–70.4%) | 与 LaBraM、CBraMod 重叠；低于 spectral ridge |
| [ERP-FM Base](https://bci.report/zh/methods/erp-fm/) | 71.0% (69.5%–72.6%) | 与三者都重叠 |
| [SingLEM](https://bci.report/zh/methods/singlem/) | 35.3% (33.7%–37.0%) | 低于三者 |
| [ZUNA 1.1](https://bci.report/zh/methods/zuna/) — 模型卡：仅供研究使用，不可用于诊断或临床。 | 60.1% (57.8%–62.3%) 是否出现在预训练数据中：未知 | 低于三者 |
| [EEGPT](https://bci.report/zh/methods/eegpt/) — 与已发布的行出自同一批运行 | 75.5% (73.9%–77.1%) | 高于 LaBraM（两个区间相距 0.67 pp）、CBraMod（两个区间相距 0.17 pp）、spectral ridge（两个区间相距 0.10 pp） |

与已发布的行相比：LaBraM、CBraMod，以及已发布的非基础模型行中点估计最高的 spectral ridge，按 95% 区间是否重叠判断。 未加标记的行，其数据集都不在模型作者公开的预训练数据清单中（2026-10-04 核查）；每个模型的来源见其方法页面。 EEGPT 一行在每个比较旁边给出两个区间之间的差距；它的作者清单于 2026-10-12 核查。

### BETA：高于 CBraMod，与免训练的 CCA 重叠或低于它

在 BETA 的 40 目标 SSVEP、8 个电极上（70 名被试，随机水平 2.5%），REVE Large、eeg-fm-masking MAE (r=9 cm, L=2) 高于已发布的冻结 CBraMod 行（33.7%），下文掩码消融中的 3 个同系列检查点也是如此。没有任何新行高于完全不需要训练的标准 CCA（63.1%）。ST-EEGFormer 在 BETA 上的单元格，数据在作者的预训练数据清单中，即便如此仍低于 CBraMod。

**BETA 8 个电极上已发布的行（核心矩阵）：** Standard CCA 63.1%（57.2%–69.0%） · Spectral ridge 50.7%（45.6%–55.8%） · LaBraM 10.8%（9.5%–12.2%） · CBraMod 33.7%（29.8%–37.6%） · EEGNet 55.8%（50.1%–61.3%）

SSVEP，BETA，8 个电极 · 冻结编码器加岭回归分类头 · 平衡准确率及其描述性 95% 区间。

| 编码器 | 平衡准确率 | 与 LaBraM、CBraMod 和标准 CCA 相比 |
| --- | --- | --- |
| [REVE Base](https://bci.report/zh/methods/reve/) | 37.5% (33.3%–41.9%) | 高于 LaBraM；与 CBraMod 重叠；低于标准 CCA |
| [REVE Large](https://bci.report/zh/methods/reve/) | 52.7% (47.7%–57.8%) | 高于 LaBraM、CBraMod；与标准 CCA 重叠 |
| [LUNA Base](https://bci.report/zh/methods/luna/) | 8.6% (7.7%–9.5%) | 低于三者 |
| [LUNA Large](https://bci.report/zh/methods/luna/) | 10.0% (8.9%–11.1%) | 与 LaBraM 重叠；低于 CBraMod、标准 CCA |
| [BrainOmni Base](https://bci.report/zh/methods/brainomni/) | 21.7% (18.6%–25.0%) | 高于 LaBraM；低于 CBraMod、标准 CCA |
| [CodeBrain](https://bci.report/zh/methods/codebrain/) | 11.9% (10.5%–13.3%) | 与 LaBraM 重叠；低于 CBraMod、标准 CCA |
| [EEGMamba](https://bci.report/zh/methods/eegmamba/) | 40.2% (35.7%–44.7%) | 高于 LaBraM；与 CBraMod 重叠；低于标准 CCA |
| [ST-EEGFormer Base](https://bci.report/zh/methods/st-eegformer/) | 17.1% (15.5%–18.8%) 在作者公开的预训练数据清单中 | 高于 LaBraM；低于 CBraMod、标准 CCA |
| [ST-EEGFormer Large](https://bci.report/zh/methods/st-eegformer/) | 22.6% (20.1%–25.3%) 在作者公开的预训练数据清单中 | 高于 LaBraM；低于 CBraMod、标准 CCA |
| [eeg-fm-masking MAE (r=9 cm, L=2)](https://bci.report/zh/methods/eeg-fm-masking/) | 54.8% (49.4%–60.0%) | 高于 LaBraM、CBraMod；与标准 CCA 重叠 |
| [ERP-FM Base](https://bci.report/zh/methods/erp-fm/) | 18.4% (16.3%–20.5%) | 高于 LaBraM；低于 CBraMod、标准 CCA |
| [SingLEM](https://bci.report/zh/methods/singlem/) | 26.6% (23.7%–29.5%) | 高于 LaBraM；低于 CBraMod、标准 CCA |
| [ZUNA 1.1](https://bci.report/zh/methods/zuna/) — 模型卡：仅供研究使用，不可用于诊断或临床。 | 11.9% (10.8%–13.0%) 是否出现在预训练数据中：未知 | 与 LaBraM 重叠；低于 CBraMod、标准 CCA |
| [EEGPT](https://bci.report/zh/methods/eegpt/) — 与已发布的行出自同一批运行 | 20.3% (18.2%–22.6%) | 高于 LaBraM（两个区间相距 5.97 pp）；低于 CBraMod（两个区间相距 7.24 pp）、标准 CCA（两个区间相距 34.64 pp） |

与已发布的行相比：LaBraM、CBraMod，以及已发布的非基础模型行中点估计最高的标准 CCA（它的区间与 EEGNet 的重叠），按 95% 区间是否重叠判断。 未加标记的行，其数据集都不在模型作者公开的预训练数据清单中（2026-10-04 核查）；每个模型的来源见其方法页面。 EEGPT 一行在每个比较旁边给出两个区间之间的差距；它的作者清单于 2026-10-12 核查。

**BETA 上的 EEGPT：** PO5 与 PO6 所用的通道嵌入在 EEGPT 的预训练中从未训练过：EEGPT 的通道字典共 62 个名称，其中四个（AF7、AF8、PO5、PO6）不在它 58 电极的预训练电极布局中，这两个通道就在其中。这里其余六个通道，以及 4 通道子集的全部四个通道，用的都是训练过的嵌入。 PO5 and PO6 use channel embeddings that EEGPT’s pretraining never trained: they are two of the four names in its 62-name channel dictionary (AF7, AF8, PO5, PO6) that its 58-electrode pretraining montage leaves out. The other six channels here, and all four of the 4-channel subset, use trained embeddings. 背景：BETA 不在 EEGPT 作者公开的预训练数据清单中，但清华大学的 40 目标 SSVEP 基准数据集（Wang 等，2017）在清单中，名为 TSU。BETA 的作者把 BETA 描述为该基准的扩展：出自同一团队，采用相同的 40 目标布局，记录是它自己的；两者是否有共同的被试，作者没有说明。 For context: BETA is not in EEGPT’s published pretraining list, but the Tsinghua 40-target SSVEP benchmark (Wang et al., 2017) is, as TSU. BETA’s authors describe BETA as an extension of that benchmark, from the same group with the same 40-target layout and its own recordings; whether anyone took part in both is not stated.

### EEGMAT：冻结读出与 LoRA 给出的结论不一致

新编码器中有 9 个还在 EEGMAT（心算对静息）上做了适配（36 名被试，按被试不重叠分成 5 折，3 个随机种子，随机水平 50.0%），沿用已发布的 LaBraM 适配方案：在冻结编码器上训练分类头，对比秩为 4 的 LoRA 加同样的分类头，训练 5 轮，不调参。LoRA 的参数量随架构而异，增加的可训练参数从 32,768 到 428,032 个不等。

冻结探针表中的岭回归读出、训练的分类头与 LoRA，给出的编码器顺序并不一致。LoRA 带来的变化，区间不含零的有 REVE Base、REVE Large、LUNA Base、SingLEM、ZUNA 1.1；区间包含零的有 BrainOmni Base、CodeBrain、EEGMamba、ST-EEGFormer Base。

最明显的例子是 SingLEM：两种冻结读出都触及随机水平（岭回归分类头 51.5%，训练的分类头 50.9%），而 LoRA 达到 60.6%。

EEGMAT · 平衡准确率及其描述性 95% 区间 · 同一批被试与折上的配对变化，以及各有多少人变好、变差 · 只训分类头与 LoRA 两组的可训练参数。

| 编码器 | 冻结，岭回归分类头（冻结探针表） | 冻结，训练的分类头 | 秩为 4 的 LoRA + 分类头 | LoRA 减训练的分类头 | 可训练参数 · 分类头 · LoRA 组 |
| --- | --- | --- | --- | --- | --- |
| [LaBraM](https://bci.report/zh/methods/labram/) — LaBraM，已发布 | 64.6% (60.5%–68.6%) | 56.6% (54.2%–59.0%) | 64.1% (60.2%–67.8%) | +7.5 pp (+4.8 至 +10.1 pp) — 30 人提升 · 6 人变差 · 0 人不变 区间不含零。 | 402 · 38,802 |
| [REVE Base](https://bci.report/zh/methods/reve/) | 68.8% (64.1%–73.2%) | 64.0% (60.4%–67.7%) | 66.3% (61.9%–70.7%) | +2.3 pp (+0.1 至 +4.6 pp) — 21 人提升 · 13 人变差 · 2 人不变 区间不含零。 | 1,026 · 181,250 |
| [REVE Large](https://bci.report/zh/methods/reve/) | 69.0% (63.3%–74.7%) | 65.6% (61.1%–70.1%) | 69.2% (63.4%–74.9%) | +3.6 pp (+0.5 至 +6.8 pp) — 21 人提升 · 13 人变差 · 2 人不变 区间不含零。 | 2,434 · 430,466 |
| [LUNA Base](https://bci.report/zh/methods/luna/) | 60.7% (56.9%–64.4%) | 58.2% (54.5%–61.7%) | 60.0% (55.9%–63.9%) | +1.8 pp (+0.1 至 +3.3 pp) — 23 人提升 · 11 人变差 · 2 人不变 区间不含零。 | 514 · 37,378 |
| [BrainOmni Base](https://bci.report/zh/methods/brainomni/) | 61.6% (58.4%–64.9%) | 64.5% (59.6%–69.2%) | 64.8% (59.6%–69.7%) | +0.3 pp (−1.4 至 +1.8 pp) — 18 人提升 · 14 人变差 · 4 人不变 区间包含零：不能认定有变化。 | 16,386 · 106,498 |
| [CodeBrain](https://bci.report/zh/methods/codebrain/) | 63.0% (59.5%–66.5%) | 66.5% (62.3%–70.6%) | 67.1% (62.6%–71.6%) | +0.6 pp (−0.7 至 +1.9 pp) — 18 人提升 · 14 人变差 · 4 人不变 区间包含零：不能认定有变化。 | 7,602 · 58,802 |
| [EEGMamba](https://bci.report/zh/methods/eegmamba/) | 60.3% (57.0%–63.4%) | 60.4% (55.7%–65.2%) | 60.8% (56.3%–65.3%) | +0.4 pp (−0.7 至 +1.5 pp) — 18 人提升 · 14 人变差 · 4 人不变 区间包含零：不能认定有变化。 | 7,602 · 90,930 |
| [ST-EEGFormer Base](https://bci.report/zh/methods/st-eegformer/) | 64.5% (59.0%–70.0%) | 63.2% (59.7%–66.7%) | 65.1% (61.0%–69.4%) | +1.9 pp (−0.2 至 +4.1 pp) — 20 人提升 · 16 人变差 · 0 人不变 区间包含零：不能认定有变化。 | 1,538 · 148,994 |
| [SingLEM](https://bci.report/zh/methods/singlem/) | 51.5% (49.2%–53.8%) 区间触及随机水平 | 50.9% (49.5%–52.3%) 区间触及随机水平 | 60.6% (56.7%–64.4%) | +9.7 pp (+6.1 至 +13.3 pp) — 30 人提升 · 6 人变差 · 0 人不变 区间不含零。 | 1,218 · 33,986 |
| [ZUNA 1.1](https://bci.report/zh/methods/zuna/) 是否出现在预训练数据中：未知 — 模型卡：仅供研究使用，不可用于诊断或临床。 | 53.3% (49.5%–57.1%) 区间触及随机水平 | 51.2% (49.8%–52.7%) 区间触及随机水平 | 56.9% (53.7%–60.1%) | +5.7 pp (+2.5 至 +8.7 pp) — 28 人提升 · 7 人变差 · 1 人不变 区间不含零。 | 1,218 · 296,130 |

**其余的没有做适配：** LUNA Large（按设计未运行：该阶段的评测规格规定 LUNA Large 只做冻结探针）；ST-EEGFormer Large（按设计未运行：ST-EEGFormer Large 只做冻结探针）；eeg-fm-masking MAE (r=9 cm, L=2)、eeg-fm-masking JEPA (r=9 cm, L=2)、eeg-fm-masking MAE (r=one channel, L=1)、eeg-fm-masking JEPA (r=one channel, L=1)（按设计未运行：eeg-fm-masking 是用冻结探针做的掩码消融）；ERP-FM Base（按设计未运行：ERP-FM 只做冻结探针，而 EEGMAT 的心算任务不在 ERP 设计范围内）。

### REVE Base 与 Large：规模比较

在全部 7 个有分数的协议上，REVE Large 的点估计都不低于 REVE Base；在 BETA 8 个电极、BETA 4 个电极、P300 目标 ERP、语义目标 ERP 上，两者的区间不重叠。两个检查点用的是同一批被试，但每个区间都是边际区间，也没有做配对检验，所以差距只是描述，不能认定是规模带来的效应。

各个有分数的协议上的 REVE Base 与 Large：完整表格

冻结编码器加岭回归分类头 · 平衡准确率及其描述性 95% 区间 · 导出文件给出的 Large 减 Base，以及两个区间是否重叠。

| 协议 | REVE Base | REVE Large | Large 减 Base | 区间 |
| --- | --- | --- | --- | --- |
| [运动想象与静息](https://bci.report/zh/protocols/mi-rest/#foundation-v9) — 10 名被试 | 66.2% (61.8%–70.6%) | 70.2% (64.0%–76.1%) | +4.0 pp | 重叠 |
| [SSVEP · 8 通道](https://bci.report/zh/protocols/beta-8ch/#foundation-v9) — 70 名被试 | 37.5% (33.3%–41.9%) | 52.7% (47.7%–57.8%) | +15.2 pp | **不重叠** |
| [SSVEP · 4 通道](https://bci.report/zh/protocols/beta-4ch/#foundation-v9) — 70 名被试 | 25.5% (22.4%–28.8%) | 46.4% (41.7%–51.2%) | +20.8 pp | **不重叠** |
| [心算与静息](https://bci.report/zh/protocols/arithmetic-rest/#foundation-v9) — 36 名被试 | 68.8% (64.1%–73.2%) | 69.0% (63.3%–74.7%) | +0.2 pp | 重叠 |
| [P300 目标 ERP](https://bci.report/zh/protocols/p300-target/#foundation-v9) — 21 名被试 | 50.5% (48.5%–52.3%) 区间触及随机水平 | 54.6% (52.7%–56.5%) | +4.1 pp | **不重叠** |
| [语义目标 ERP](https://bci.report/zh/protocols/semantic-target/#foundation-v9) — 30 名被试 | 53.7% (51.8%–55.4%) | 59.7% (57.5%–61.8%) | +6.0 pp | **不重叠** |
| [睡眠分期](https://bci.report/zh/protocols/sleep-scalp/#foundation-v9) — 20 名被试 | 74.6% (72.9%–76.4%) | 76.6% (75.2%–78.0%) | +2.0 pp | 重叠 |

另外两对不同规模的模型没有呈现同样的规律：LUNA 的 Base 与 Large 只在睡眠分期上区间分开，ST-EEGFormer 只在 BETA 8 个电极、BETA 4 个电极上分开，而这两个协议的数据在其作者的预训练数据清单中。

### 掩码消融：7 个协议中有 6 个分不出差别

eeg-fm-masking 发布了同一项研究的 4 个检查点：掩码框架（MAE 或 JEPA）与掩码几何（论文推荐的 r = 9 cm、L = 2，或单通道、L = 1）两两组合，架构、语料与训练方案都相同。论文推荐的 MAE 检查点是上面各表中的矩阵行，另外 3 个是它的消融。在 7 个有分数的协议中，有 6 个协议上这 4 个检查点两两之间的区间都重叠。在睡眠分期上有一对区间分开：r = 9 cm 的 JEPA 对单通道的 MAE；但这一对同时改变了掩码框架和掩码几何，所以哪个因素都无法单独归因。

4 个 eeg-fm-masking 检查点在各个有分数的协议上的结果：完整表格

冻结编码器加岭回归分类头 · 平衡准确率及其描述性 95% 区间。

| 协议 | MAE · r = 9 cm，L = 2（矩阵行） | JEPA · r = 9 cm，L = 2 | MAE · 单通道，L = 1 | JEPA · 单通道，L = 1 | 区间分开的检查点对 |
| --- | --- | --- | --- | --- | --- |
| [运动想象与静息](https://bci.report/zh/protocols/mi-rest/#foundation-v9) | 68.1% (64.3%–72.3%) | 63.2% (58.2%–67.9%) | 64.9% (60.3%–69.4%) | 63.3% (59.0%–67.4%) | 没有：两两都重叠 |
| [SSVEP · 8 通道](https://bci.report/zh/protocols/beta-8ch/#foundation-v9) | 54.8% (49.4%–60.0%) | 49.6% (44.5%–54.8%) | 53.4% (48.1%–58.6%) | 51.0% (45.8%–56.1%) | 没有：两两都重叠 |
| [SSVEP · 4 通道](https://bci.report/zh/protocols/beta-4ch/#foundation-v9) | 47.1% (42.1%–52.1%) | 43.4% (38.7%–48.3%) | 46.7% (41.9%–51.5%) | 45.4% (40.6%–50.2%) | 没有：两两都重叠 |
| [心算与静息](https://bci.report/zh/protocols/arithmetic-rest/#foundation-v9) | 63.6% (59.1%–68.1%) | 61.6% (56.4%–66.5%) | 64.3% (60.2%–68.2%) | 62.5% (58.5%–66.2%) | 没有：两两都重叠 |
| [P300 目标 ERP](https://bci.report/zh/protocols/p300-target/#foundation-v9) | 49.5% (48.1%–51.0%) 不高于随机水平 | 51.6% (50.4%–52.7%) | 51.1% (49.2%–53.0%) 区间触及随机水平 | 50.0% (48.7%–51.5%) 区间触及随机水平 | 没有：两两都重叠 |
| [语义目标 ERP](https://bci.report/zh/protocols/semantic-target/#foundation-v9) | 54.8% (52.7%–56.9%) | 55.8% (53.9%–57.6%) | 54.9% (53.4%–56.4%) | 55.0% (53.4%–56.6%) | 没有：两两都重叠 |
| [睡眠分期](https://bci.report/zh/protocols/sleep-scalp/#foundation-v9) | 67.9% (65.4%–70.4%) | 70.3% (68.0%–72.7%) | 65.2% (63.0%–67.3%) | 68.3% (65.7%–70.8%) | **r = 9 cm 的 JEPA 对 单通道的 MAE** |

### 更多编码器的局限

### 一个固定方案，不是上限

冻结探针就是已发布的线性分类头，只换了编码器；适配是一项任务上一个未调参、训练 5 轮的方案。

### 小队列，描述性区间

运动想象 10 名被试，P300 21 名，睡眠分期 20 名。区间是被试 bootstrap，没有计入交叉验证带来的相关性，也没有做多重比较校正。

### 按模型类别排列

各行保持导出文件的模型类别顺序；同一批被试在两个编码器下的结果没有作为配对来检验。

### 方法比较

类别平衡或类别匹配的设计（P300、语义目标、运动想象对静息、抽样的睡眠数据帧）用来比较方法，不是实际使用中检出率、误报率或延迟的估计。

### 新被试、同一任务与设置

折留出的是被试。这里没有跨天、跨设备或跨数据集的证据，也不做任何临床方面的声明。

### 时间窗很短

每个编码器看到的都是已发布的 1–2 秒时间窗（睡眠为 15 个 2 秒片段），通常比它预训练时的上下文更短；各模型的输入处理写在协议页面上各行的脚注中。

### 是否出现在预训练数据中：看作者的清单

BETA 在 ST-EEGFormer 作者公开的预训练数据清单中，TMNRED 在 SingLEM 的清单中；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，把握程度为中等。其余单元格——包括 LaBraM 与 CBraMod 的——都不在作者公开的预训练数据清单中（2026-10-04 核查），EEGPT 的单元格也不在它作者的清单中（2026-10-12 核查）；这并不证明这些记录从未被模型见过。

### 不代表作者认可

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；每个模型的权重许可随它的行一起列出。计算耗时在共享 GPU 上测得，只作参考，所以不发布。

### 权重许可与条款

- **REVE Base · REVE Large**：REVE 负责任使用许可 v1.0（站点所有者于 2026-10-04 批准） REVE Responsible Use License v1.0 (owner-approved 2026-10-04) REVE 负责任使用许可 v1.0：只发布聚合的科学结果；不做重新识别、模型反演、成员推断或未经同意的画像分析；引用 REVE 论文并写明模型版本；不分享任何适配后的权重。 REVE Responsible Use License v1.0: aggregate scientific results only; no re-identification, model inversion, membership inference or non-consensual profiling; cite the REVE paper and name the model version; no adapted weights shared. 模型版本：REVE Base @ dc2a075c · REVE Large @ 317531c7。 [论文 ↗](https://arxiv.org/abs/2510.21585)
- **LUNA Base · LUNA Large**：CC BY-ND 4.0（经站点所有者批准：仅限内部适配，只发布聚合分数，不分享任何适配后的权重或 LoRA 增量） CC BY-ND 4.0 (owner-approved: internal adaptation, aggregate scores only, no adapted weights or LoRA deltas shared) CC BY-ND 4.0 权重：分数只来自内部的探针与适配；不分享任何修改后的权重、LoRA 或适配器增量；不代表 LUNA 作者的认可；也不借 LUNA 之名暗示这是官方发布。 CC BY-ND 4.0 weights: scores from internal probing/adaptation only; no modified weights, LoRA or adapter deltas are shared; no implied endorsement by the LUNA authors; the LUNA name is not used to suggest an official release. [论文 ↗](https://arxiv.org/abs/2510.22257)
- **BrainOmni Base**：MIT [论文 ↗](https://arxiv.org/abs/2505.18185)
- **CodeBrain**：Apache-2.0 [论文 ↗](https://arxiv.org/abs/2506.09110)
- **EEGMamba**：MIT [论文 ↗](https://doi.org/10.1016/j.neunet.2025.107816)
- **ST-EEGFormer Base · ST-EEGFormer Large**：MIT（仓库的 LICENSE；README 保留论文、示意图与名称的权利） MIT (repo LICENSE; README reserves the paper, diagrams and the name) MIT（仓库的 LICENSE；README 保留论文、示意图与 ST-EEGFormer 名称的权利）。 MIT (repository LICENSE; the README reserves the paper, diagrams and the ST-EEGFormer name). [论文 ↗](https://openreview.net/forum?id=5Xwm8e6vbh)
- **eeg-fm-masking MAE (r=9 cm, L=2) · eeg-fm-masking JEPA (r=9 cm, L=2) · eeg-fm-masking MAE (r=one channel, L=1) · eeg-fm-masking JEPA (r=one channel, L=1)**：CC-BY-4.0（须引用 arXiv:2609.33487） CC-BY-4.0 (cite arXiv:2609.33487) CC-BY-4.0 权重：须署名（引用 arXiv:2609.33487）。 CC-BY-4.0 weights: attribution required (cite arXiv:2609.33487). [论文 ↗](https://arxiv.org/abs/2609.33487)
- **ERP-FM Base**：CC BY-NC-SA 4.0（仅限非商业用途；只发布聚合分数） CC BY-NC-SA 4.0 (non-commercial; aggregate scores only) CC BY-NC-SA 4.0：仅限非商业用途；只发布聚合分数；须署名；不转发任何权重。 CC BY-NC-SA 4.0: non-commercial; aggregate scores only; attribution required; no weights redistributed. [论文 ↗](https://arxiv.org/abs/2609.32796)
- **SingLEM**：MIT（检查点提交在采用 MIT 许可的仓库中） MIT (checkpoint committed in the MIT repository) MIT。 [论文 ↗](https://arxiv.org/abs/2509.17920)
- **ZUNA 1.1**：Apache-2.0；模型卡：仅供研究使用，不可用于诊断或临床 Apache-2.0; model card: research use only, not for diagnosis or clinical use Apache-2.0 权重；模型卡写明仅供研究使用，不可用于诊断或临床。 Apache-2.0 weights; model card states research use only, not for diagnosis or clinical use. [论文 ↗](https://arxiv.org/abs/2607.27308)

EEGPT：检查点的许可仍未厘清，不分发任何原始或转换后的权重；Apache-2.0 只涵盖代码仓库中的代码。

每一行连同其脚注和预训练数据来源都在各自的协议页面上（[运动想象与静息](https://bci.report/zh/protocols/mi-rest/#foundation-v9)、[SSVEP · 8 通道](https://bci.report/zh/protocols/beta-8ch/#foundation-v9)、[SSVEP · 4 通道](https://bci.report/zh/protocols/beta-4ch/#foundation-v9)、[心算与静息](https://bci.report/zh/protocols/arithmetic-rest/#foundation-v9)、[P300 目标 ERP](https://bci.report/zh/protocols/p300-target/#foundation-v9)、[语义目标 ERP](https://bci.report/zh/protocols/semantic-target/#foundation-v9)、[睡眠分期](https://bci.report/zh/protocols/sleep-scalp/#foundation-v9)）；上面的适配结果与比较在 [foundation-models-update.json](https://bci.report/data/foundation-models-update.json) 中。发布版本 [`foundation-models-update-20261004`](https://bci.report/zh/releases/#foundation-models-update-20261004)。

EEGPT 的各行见这些协议页面上它自己的一节，数据来自 [eegpt-core-update.json](https://bci.report/data/eegpt-core-update.json)，发布版本 [`eegpt-core-update-20261013`](https://bci.report/zh/releases/#eegpt-core-update-20261013)。

方法与局限

## 预训练对比的局限

### 固定分类头与选定分类头

主分析把岭回归 alpha 固定为 100。敏感性分析只用内层训练被试，在 100、10,000 和 1 之间选择。

### 三个种子，一个队列

随机基线是三次编码器随机初始化的平均。被试 bootstrap 不包含完全重新训练带来的不确定性。

### 证据只对具体任务成立

运动想象/静息有 10 名被试、1,200 个试次；脑力负荷有 36 名被试、2,160 个试次。

### 这两个基准是否出现在预训练数据中

ds003810 与 EEGMAT 都不在 LaBraM 或 CBraMod 作者公开的预训练数据清单中（2026 年 10 月 4 日核查），也不在 EEGPT 作者的清单中（2026 年 10 月 12 日核查；来源见下）。

预训练数据清单（2026-10-04 核查）： [LaBraM ↗](https://arxiv.org/abs/2405.18765) · [CBraMod ↗](https://arxiv.org/abs/2412.07236) · EEGPT 的清单（2026-10-12 核查）： [EEGPT ↗](https://papers.neurips.cc/paper_files/paper/2024/file/4540d267eeec4e5dbd9dae9448f0b739-Paper-Conference.pdf) · [EEGPT 代码仓库 ↗](https://github.com/BINE022/EEGPT/tree/ea7282f698c406cd423ccbedbe9960853761144c/datasets/pretrain)

冻结 CBraMod 加岭回归分类头还在同一被试较晚的一次会话上评测过（WBCIC-SHU），没有随机初始化对照。见「[在较早会话上训练的解码器，到后来还管用吗？](https://bci.report/zh/topics/later-sessions/#wbcic-shu)」。

冻结的 EEGPT 加有监督分类头，在一项小规模试点中与匹配的经典特征做过比较（记录下来的矫形器设备事件），没有随机初始化对照。见「[一个小规模试点能说明什么、不能说明什么？](https://bci.report/zh/topics/pilot-studies/#orthosis)」。

### 运动想象 / 静息 · OpenNeuro ds003810 v2.0.2

Peterson et al. · CC0-1.0.

[数据集记录 ↗](https://doi.org/10.18112/openneuro.ds003810.v2.0.2)

### 脑力负荷 · EEGMAT 1.0.0

Zyma et al. · Open Data Commons Attribution License 1.0.

[PhysioNet 记录 ↗](https://physionet.org/content/eegmat/1.0.0/)

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。

EEGPT 的各行： [eegpt-core-update.json](https://bci.report/data/eegpt-core-update.json) · schema bci-report-eegpt-core-update-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. *预训练对 LaBraM、CBraMod 这类 EEG 基础模型有帮助吗？*[EB/OL]. (2026-10-13). https://bci.report/zh/topics/does-pretraining-help/

数字来自发布 [`eegpt-core-update-20261013`](https://bci.report/zh/releases/#eegpt-core-update-20261013)（2026-10-13）、[`foundation-models-update-20261004`](https://bci.report/zh/releases/#foundation-models-update-20261004)（2026-10-04）、[`deployment-topics-20260920-v1`](https://bci.report/zh/releases/#deployment-topics-20260920-v1)（2026-09-20）、[`research-preview-20260920`](https://bci.report/zh/releases/#research-preview-20260920)（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/does-pretraining-help/ 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）。