BCI Report湿电极训练的 EEGNet
75.0% → 45.6%
下降 29.4 pp传感器迁移 · 102 名被试
干电极的解码效果能和湿电极一样好吗？
平衡准确率下降最多的情形是：在湿电极记录上训练 EEGNet，再拿去测试留出被试的干电极记录。
测量所用数据集：Wearable SSVEP BCI dataset (dry and wet electrodes) · 方法：EEGNet、CCA、FBCCA
简答
在这个数据集上，并没有。在 12 目标、两秒的 SSVEP 任务中，同样 102 名被试分别用两种传感器记录：免训练的 FBCCA 参考方法在湿电极记录上为 82.3%，在干电极记录上为 64.6%。在湿电极记录上训练的 EEGNet，拿到干电极记录上测试时，平衡准确率下降了 29.4 pp（百分点；配对 95% 区间 −34.5 pp 至 −24.3 pp）。传感器类型与佩戴顺序、任务时长相互混杂，无法单独估计硬件本身造成了多少差距。
FBCCA · 湿电极记录免训练
82.3% (78.7%–85.7%)
FBCCA · 干电极记录免训练
64.6% (59.5%–69.6%)
EEGNet · 湿 → 湿在前一种传感器上训练，在后一种上测试
75.0% (70.3%–79.5%)
EEGNet · 湿 → 干在前一种传感器上训练，在后一种上测试
45.6% (40.5%–50.8%)
EEGNet · 干 → 干在前一种传感器上训练，在后一种上测试
56.8% (51.9%–61.6%)
EEGNet · 干 → 湿在前一种传感器上训练，在后一种上测试
64.0% (59.1%–68.8%)
−29.4 pp湿电极训练的 EEGNet：干电极减湿电极的平衡准确率
观察到的最大跨传感器损失
同样 102 名被试的配对 bootstrap 95% 区间为 −34.5 至 −24.3 pp。
源域训练模型
在一种传感器上训练，在两种上测试
六折划分，每折留出 17 名被试；被留出被试的两种传感器记录都不参与源域训练。每个单元格都是 12 目标、两秒 SSVEP 上的被试平均平衡准确率。
| 模型与训练来源 | 在湿电极上测试 | 在干电极上测试 |
|---|---|---|
| Spectral ridge在湿电极上训练 · 被试不重叠 | 40.3%36.5%–44.3% | 35.2%31.8%–38.8% |
| Spectral ridge在干电极上训练 · 被试不重叠 | 39.7%35.9%–43.6% | 37.2%33.5%–41.0% |
| EEGNet在湿电极上训练 · 被试不重叠 | 75.0%70.3%–79.5% | 45.6%40.5%–50.8% |
| EEGNet在干电极上训练 · 被试不重叠 | 64.0%59.1%–68.8% | 56.8%51.9%–61.6% |
干电极训练的 EEGNet
56.8% → 64.0%
提升 7.3 pp把干电极训练的模型拿到湿电极记录上测试，平衡准确率提高了 7.3 pp；95% 区间 +4.2 至 +10.4 pp。
另一类参考方法
82.3% / 64.6%
干电极 FBCCA 平衡准确率 64.6%FBCCA 直接对每条目标记录计算、无需训练。
免训练参考方法
CCA、FBCCA 与功率参考
三者都无需训练，直接对目标记录计算。
| 参考方法 | 湿电极记录 | 干电极记录 |
|---|---|---|
| 同频功率免训练或固定参考 | 39.8% · 95% 区间 35.4%–44.3% | 36.0% · 95% 区间 31.8%–40.2% |
| CCA免训练或固定参考 | 81.6% · 95% 区间 77.7%–85.1% | 65.5% · 95% 区间 60.6%–70.2% |
| FBCCA免训练或固定参考 | 82.3% · 95% 区间 78.7%–85.7% | 64.6% · 95% 区间 59.5%–69.6% |
方法与局限
局限
佩戴顺序仍是混杂因素
佩戴顺序和任务时长随传感器类型一起变化。两个顺序分层都出现了湿电极训练后的下降。
幅值单位尚未厘清
该发布没有说明物理幅值单位，因此对幅值尺度敏感的基础模型实验暂不发布。
EEGNet 只用了一个种子
源域训练的 EEGNet 单元格只用了一个训练种子。配对区间描述的是在该已拟合协议条件下的被试间差异。
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
聚合结果基于 2026-09-20 获取的清华 BCI 实验室作者官方镜像快照计算。
数据集记录 ↗ · Sensors 论文 ↗ · CC BY 4.0
数据来源： 已审核的聚合 JSON · schema bci-report-public-deployment-topics-v1。
引用本页
BCI Report. 干电极的解码效果能和湿电极一样好吗？[EB/OL]. (2026-09-20). https://bci.report/zh/topics/dry-vs-wet/
数字来自发布 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）