# 干电极的解码效果能和湿电极一样好吗？

传感器迁移 · 102 名被试

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。

- [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/) · 方法： [EEGNet](https://bci.report/zh/methods/eegnet/)、[CCA](https://bci.report/zh/methods/cca/)、[FBCCA](https://bci.report/zh/methods/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。

**同样 102 名被试的湿电极与干电极记录。** 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）。深色行为湿电极记录，锈色行为干电极记录。

- 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。

原生 8 通道头带 · 102 名被试 · 每种目标传感器 12,240 个试次 · 被试 bootstrap 95% 区间。

| 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%) |

湿电极训练的 EEGNet

75.0% → 45.6%

干电极训练的 EEGNet

56.8% → 64.0%

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%

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。

在相同的两秒、12 目标协议下，直接作用于目标记录的参考方法。

| 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 ↗](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) · CC BY 4.0

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。

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. *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`](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/dry-vs-wet/ 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）。