BCI Report保留的配对数据帧
75.2%
15,523 帧中的 11,674 帧15,523 帧中的 11,674 帧
电极布局 · 两项配对比较与一项电极帽偏移模拟 · BETA 与睡眠分期的电极布局
更少的电极、或耳道内电极，能比得上完整的头皮电极吗？
在同样的 10 名被试、同样的 30 秒数据帧上，6 个头皮电极的睡眠分期效果好于 4 个耳道内通道——10 人无一例外。另一项比较——区分睁眼与闭眼时，后部 4 个电极对全部 16 个电极——在 19 名被试上没有发现一致的差异。在 BETA 上，单通道与逐通道基础模型编码器从 8 个电极减到 4 个时准确率下降。最后一节在 BETA 上模拟电极帽整体偏移一个电极间距。
测量所用数据集：BETA、EESM19 scalp subset、EESM23 · Ear-EEG Sleep Monitoring 2023、EEG Alpha Waves dataset · 方法：EEGNet、LaBraM、CBraMod、CCA、REVE、LUNA、BrainOmni、CodeBrain、EEGMamba、ST-EEGFormer、eeg-fm-masking、ERP-FM、SingLEM、ZUNA、EEGPT
简答
在这批被试的睡眠分期上，耳道内通道不如头皮电极：在同样 10 名被试、同样的数据帧上，4 个耳道内通道的五期睡眠分期平衡准确率为 53.6%，6 个头皮电极为 69.0%（随机水平 20%），配对差值为 +15.4 pp（百分点）。在另一项区分睁眼与闭眼的任务中，另一批 19 名被试上，后部 4 个电极与全部 16 个电极没有一致的差异：全部 16 个减后部 4 个为 −1.6 pp（配对 95% 区间 −10.0 pp 至 +6.8 pp）。两者都是研究记录中的通道组合：睡眠上的差距里，电极位置、数量与硬件一起变化；后部 4 个电极则是从同一记录中用软件选出的子集。在核心矩阵的 BETA 协议上（70 名被试），另外加入的冻结基础模型编码器在电极更少时没有优势：单通道的 SingLEM 从 8 个电极的 26.6% 降到 4 个电极的 20.5%，逐通道的 ZUNA 1.1 从 11.9% 降到 8.4%；在 4 个电极上，也没有任何新编码器高于免训练的标准 CCA（57.6%）。
睡眠分期 · 6 个头皮减 4 个耳道内 · 10 名被试95% 区间 +10.6 至 +20.3 pp
+15.4 pp
睁眼与闭眼 · 全部 16 个减后部 4 个 · 19 名被试95% 区间 −10.0 至 +6.8 pp
−1.6 pp
+15.4 pp头皮减耳道内的平衡准确率，同一批 10 名被试
每名被试都是头皮更高
10 名被试中有 10 名，6 个头皮电极的结果高于 4 个耳道内通道。平均差值的描述性被试 bootstrap 区间为 +10.6 至 +20.3 pp。
两种配置，相同的数据帧
4 个耳道内通道对 6 个头皮电极
五期睡眠分期，每 30 秒一帧评分；随机水平为 20%。10 折留一被试交叉验证，两种配置使用同一个固定模型。
| 配置 | 通道 | 平衡准确率 | 宏平均 F1 |
|---|---|---|---|
| 4 个耳道内通道耳道内的物理通道 | RB · RT · LB · LT | 53.6%47.4%–59.7%平衡准确率 53.6% | 47.6% |
| 6 个头皮电极乳突位 M1、M2 只用于筛选完整数据帧 | F3 · C3 · O1 · F4 · C4 · O2 | 69.0%63.4%–74.2%平衡准确率 69.0% | 64.9% |
可用数据
这些分数以什么为前提
只有两种配置都具备完整、有限值数据的帧才被保留，这条规则剔除了 3,849 帧。分数描述的是保留下来的这部分数据。
被试
10
全部保留
夜晚
17
19 晚中的 17 晚
第二项比较 · 睁眼与闭眼
后部 4 个电极对全部 16 个电极
另一个任务、另一批被试：用 6 秒窗口区分睁眼与闭眼，随机水平为 50%。两种配置都取自同一套 16 电极研究记录，用同一个固定模型做 19 折留一被试交叉验证。
−1.6 pp全部 16 个减后部 4 个的平衡准确率，同一批 19 名被试
没有一致的差异
19 名被试中，7 名用全部 16 个电极更高，7 名用后部 4 个电极更高，5 名持平。平均差值的描述性被试 bootstrap 区间为 −10.0 至 +6.8 pp。区间跨过零，但这不能说明 4 个电极与 16 个一样好。
| 配置 | 通道 | 平衡准确率 | 宏平均 F1 |
|---|---|---|---|
| 后部 4 个电极从同一记录中用软件选出 | Pz · O1 · Oz · O2 | 79.5%72.6%–85.8%平衡准确率 79.5% | 76.6% |
| 全部 16 个电极电极帽记录的全部电极 | Fp1 · Fp2 · Fc5 · Fz · Fc6 · T7 · Cz · T8 · P7 · P3 · Pz · P4 · P8 · O1 · Oz · O2 | 77.9%70.5%–85.3%平衡准确率 77.9% | 74.5% |
第三项比较 · 核心矩阵协议
BETA 的 8 个或 4 个电极，以及 6 通道睡眠分期：新的冻结编码器
核心矩阵对 BETA 的 40 目标 SSVEP 评了两次，分别用从同一套 64 通道记录中选出的 8 个和 4 个后部电极（70 名被试，随机水平 2.5%）；睡眠分期则用 6 个头皮通道（EESM19 头皮子集，20 名被试，随机水平 20.0%）。另外 11 个基础模型以冻结探针的方式加入这些协议，沿用已发布的方案，只替换编码器；EEGPT 也以同样方式加入，与已发布的 LaBraM、CBraMod 各行出自同一批运行。与上面两项比较不同，这里每种电极布局都各自训练、各自测试；已发布的行与新行用的是同一批被试和同样的折。
电极更少时，单通道与逐通道编码器没有优势
SingLEM 对每个通道单独编码，从 8 个电极的 26.6% 降到 4 个电极的 20.5%（−6.1 pp）；逐通道编码器 ZUNA 1.1 从 11.9% 降到 8.4%（−3.5 pp）。两者的两个区间都不重叠。SingLEM 的降幅与在两种电极布局上都高于 CBraMod 的多通道编码器相当（REVE Large −6.4 pp；eeg-fm-masking MAE (r=9 cm, L=2) −7.7 pp），而 ZUNA 1.1 的起点要低得多。在 6 通道睡眠分期上，SingLEM 是最低的一个新行（35.3%，33.7%–37.0%），低于其他所有行，无论已发布的还是新的。
在 4 个电极上，没有任何新编码器高于标准 CCA
完全不需要训练的标准 CCA 在 4 个电极上得 57.6%（51.8%–63.5%）。没有任何新行高于它。新行中只有 eeg-fm-masking MAE (r=9 cm, L=2) 的区间与它重叠（47.1%）；已发布的行中，spectral ridge 的区间也与它重叠（48.2%，43.1%–53.3%）。
| 方法 | BETA，8 个电极 | BETA，4 个电极 | 从 8 个到 4 个 | 睡眠分期，6 通道 |
|---|---|---|---|---|
| 已发布的行 · 核心矩阵 | ||||
| Standard CCA | 63.1%57.2%–69.0% | 57.6%51.8%–63.5% | 区间重叠 | 不在睡眠协议中 |
| Spectral ridge | 50.7%45.6%–55.8% | 48.2%43.1%–53.3% | 区间重叠 | 72.2%70.7%–73.8% |
| LaBraM | 10.8%9.5%–12.2% | 12.9%11.2%–14.6% | 区间重叠 | 71.1%69.0%–73.2% |
| CBraMod | 33.7%29.8%–37.6% | 27.6%24.1%–31.3% | 区间重叠 | 71.3%68.7%–73.7% |
| EEGNet | 55.8%50.1%–61.3% | 44.1%38.6%–49.6% | 区间不重叠 | 56.5%54.9%–58.3% |
| 新的冻结编码器 | ||||
| REVE Base输入：多通道电极布局 | 37.5%33.3%–41.9% | 25.5%22.4%–28.8% | −12.0 pp区间不重叠 | 74.6%72.9%–76.4% |
| REVE Large输入：多通道电极布局 | 52.7%47.7%–57.8% | 46.4%41.7%–51.2% | −6.4 pp区间重叠 | 76.6%75.2%–78.0% |
| LUNA Base输入：多通道电极布局 | 8.6%7.7%–9.5% | 9.0%8.1%–10.1% | +0.5 pp区间重叠 | 67.5%65.3%–69.5% |
| LUNA Large输入：多通道电极布局 | 10.0%8.9%–11.1% | 11.2%9.8%–12.6% | +1.2 pp区间重叠 | 72.4%70.4%–74.0% |
| BrainOmni Base输入：多通道电极布局 | 21.7%18.6%–25.0% | 13.0%10.6%–15.6% | −8.8 pp区间不重叠 | 67.7%65.8%–69.5% |
| CodeBrain输入：多通道电极布局 | 11.9%10.5%–13.3% | 11.2%9.8%–12.7% | −0.7 pp区间重叠 | 70.7%68.8%–72.7% |
| EEGMamba输入：多通道电极布局 | 40.2%35.7%–44.7% | 32.7%28.9%–36.7% | −7.5 pp区间重叠 | 64.1%61.6%–66.4% |
| ST-EEGFormer Base输入：多通道电极布局 | 17.1%15.5%–18.8%在作者公开的预训练数据清单中 | 17.5%15.8%–19.3%在作者公开的预训练数据清单中 | +0.4 pp区间重叠 | 77.3%75.6%–78.8% |
| ST-EEGFormer Large输入：多通道电极布局 | 22.6%20.1%–25.3%在作者公开的预训练数据清单中 | 22.4%19.9%–25.0%在作者公开的预训练数据清单中 | −0.2 pp区间重叠 | 79.6%78.2%–81.0% |
| eeg-fm-masking MAE (r=9 cm, L=2)输入：多通道电极布局 | 54.8%49.4%–60.0% | 47.1%42.1%–52.1% | −7.7 pp区间重叠 | 67.9%65.4%–70.4% |
| ERP-FM Base输入：多通道电极布局 | 18.4%16.3%–20.5% | 20.9%18.4%–23.5% | +2.5 pp区间重叠 | 71.0%69.5%–72.6% |
| SingLEM输入：单通道 | 26.6%23.7%–29.5% | 20.5%17.8%–23.3% | −6.1 pp区间不重叠 | 35.3%33.7%–37.0% |
| ZUNA 1.1输入：逐通道模型卡：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 | 8.4%7.5%–9.4%是否出现在预训练数据中：未知 | −3.5 pp区间不重叠 | 60.1%57.8%–62.3%是否出现在预训练数据中：未知 |
| EEGPT（冻结）· 与已发布的行出自同一批运行 | ||||
| EEGPT | 20.3%18.2%–22.6% | 17.3%15.5%–19.2% | 区间重叠 | 75.5%73.9%–77.1% |
这些协议上的 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.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.
从 8 个到 4 个：新行给出基础模型导出文件中的变化量以及两个区间是否重叠；已发布的行与 EEGPT 只给出两个区间是否重叠，因为它们的文件都没有写出这个差值。这些变化是边际均值之差，没有做配对检验。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；EEGPT 的清单于 2026-10-12 核查）。
BETA 与睡眠分期 · 新的冻结编码器
小队列，描述性区间
BETA 有 70 名被试，睡眠协议有 20 名。每个区间都是对单独一行做的被试 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；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。
方法比较
BETA 在 40 个目标上均匀分布，睡眠协议是类别平衡的抽样数据帧：这些行用来比较方法，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。
同一记录的软件子集
8 个和 4 个电极都是从同一套 64 通道实验室记录中用软件选出的通道。这样选出的子集不能验证一顶实体的少通道电极帽，而且接近下限的分数在两个子集之间的先后并不可靠。
EESM19 的头皮睡眠数据
6 通道这一列是核心矩阵的睡眠协议：EESM19 中类别平衡、经过质量筛选的头皮样本——不是上面的 EESM23，也不是耳部 EEG。
一个固定方案，按模型类别排列
每个新行都是已发布的冻结探针，只换了编码器。各行保持导出文件的模型类别顺序；只有 95% 区间不重叠时，才说一行高于另一行。
是否出现在预训练数据中
BETA 在 ST-EEGFormer 作者公开的预训练数据清单中，所以它在 BETA 上的单元格都已标出；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（论文全文没有读过），把握程度为中等。其余单元格都不在作者公开的清单中（2026-10-04 核查；EEGPT 的清单于 2026-10-12 核查），这并不证明这些记录从未被模型见过。
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 ↗
- 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 ↗
- BrainOmni Base：MIT 论文 ↗
- CodeBrain：Apache-2.0 论文 ↗
- EEGMamba：MIT 论文 ↗
- 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 ↗
- eeg-fm-masking MAE (r=9 cm, L=2)：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 ↗
- 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 ↗
- 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 ↗
- 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 useApache-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 ↗
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。
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。
完整的行连同脚注与预训练数据来源，见各协议页面：SSVEP · 8 通道、SSVEP · 4 通道、睡眠分期。从 8 个到 4 个电极的比较在 foundation-models-update.json 中。
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，发布版本 eegpt-core-update-20261013。
模拟电极帽偏移 · BETA · 六种解码器
电极帽偏了一个电极位置会怎样？
在 BETA 的 70 名被试上做的模拟（40 个目标，2 秒时间窗，随机水平 2.5%）。六种解码器都在本站使用的 8 个后部电极上拟合，再把每个电极换成相邻位置的读数来测试：整体向前移一行，或向左、向右移一列。偏移后的读数是电极帽上相邻位置实际记录的信号，没有重新采集。
整体向前移一行时，不需要训练的 CCA 变化 −17.6 pp，滤波器组 CCA 变化 −14.3 pp；向左移一列时分别为 −5.9 pp 与 −4.3 pp；向右移一列时分别为 −1.0 pp 与 −1.2 pp，两者都无法判定。按人校准、在原位置拟合的 eTRCA 从 83.5% 降到 41.2%–55.3%；跨被试训练的 EEGNet 从 56.0% 降到 28.6%–40.9%。在偏移后的电极帽上重新校准，eTRCA 为 77.7%–82.5%。
解码器、偏移方向、时间窗与各项对比都在得到任何偏移分数之前预先设定，并经过独立审核；一次独立审计从封存的预测重新计算了每名被试的准确率、12 项主要对比的区间以及人数统计。
| 解码器 | 原位置 | 偏移后 | 变化（99.6% 区间） | 判读 | 下降至少 10 pp 的人数，共 70 人 |
|---|---|---|---|---|---|
| 向前一行 | |||||
| CCA | 63.1% | 45.5% | −17.6 pp(−22.5 至 −13.0 pp) | 更低 | 49 |
| 滤波器组 CCA | 79.1% | 64.7% | −14.3 pp(−20.5 至 −8.7 pp) | 更低 | 38 |
| eTRCA | 83.5% | 55.3% | −28.2 pp(−36.9 至 −20.7 pp) | 更低 | 54 |
| EEGNet | 56.0% | 40.9% | −15.0 pp(−22.2 至 −8.0 pp) | 更低 | 36 |
| 向左一列 | |||||
| CCA | 63.1% | 57.2% | −5.9 pp(−8.5 至 −3.5 pp) | 更低 | 19 |
| 滤波器组 CCA | 79.1% | 74.7% | −4.3 pp(−6.7 至 −2.2 pp) | 更低 | 12 |
| eTRCA | 83.5% | 46.5% | −36.9 pp(−45.9 至 −28.6 pp) | 更低 | 58 |
| EEGNet | 56.0% | 30.4% | −25.6 pp(−33.2 至 −18.3 pp) | 更低 | 50 |
| 向右一列 | |||||
| CCA | 63.1% | 62.1% | −1.0 pp(−2.9 至 +0.7 pp) | 无法判定 | 4 |
| 滤波器组 CCA | 79.1% | 77.9% | −1.2 pp(−2.7 至 +0.3 pp) | 无法判定 | 2 |
| eTRCA | 83.5% | 41.2% | −42.2 pp(−50.8 至 −34.2 pp) | 更低 | 64 |
| EEGNet | 56.0% | 28.6% | −27.4 pp(−36.0 至 −18.8 pp) | 更低 | 49 |
下降至少 10 pp 的人数按每名被试的试次统计，只作描述；恰好变化 10 pp（160 个试次中的 16 个；EEGNet 合并三个训练随机种子，为 480 个中的 48 个）也计入。
| 解码器 | 训练方式 | 原位置 | 向前一行 | 向左一列 | 向右一列 |
|---|---|---|---|---|---|
| 直接使用：在原位置拟合 | |||||
| CCA | 无需训练 | 63.1% | 45.5% | 57.2% | 62.1% |
| 滤波器组 CCA | 无需训练 | 79.1% | 64.7% | 74.7% | 77.9% |
| eTRCA | 按人训练，留出一个组块（每个目标三个训练试次） | 83.5% | 55.3% | 46.5% | 41.2% |
| Spectral ridge | 跨被试训练，七个被试折 | 50.7% | 37.4% | 40.2% | 40.4% |
| EEGNet | 跨被试从头训练，七个被试折；三个训练随机种子取平均 | 56.0% | 40.9% | 30.4% | 28.6% |
| CBraMod | 冻结编码器，跨被试拟合岭回归读出，七个被试折 | 33.7% | 24.3% | 18.4% | 17.5% |
| 在偏移后的电极帽上重新校准 | |||||
| eTRCA | 按人训练，留出一个组块（每个目标三个训练试次） | — | 77.7% | 79.3% | 82.5% |
| Spectral ridge | 跨被试训练，七个被试折 | — | 45.6% | 47.0% | 49.8% |
| EEGNet | 跨被试从头训练，七个被试折；三个训练随机种子取平均 | — | 42.1% | 49.7% | 55.1% |
| CBraMod | 冻结编码器，跨被试拟合岭回归读出，七个被试折 | — | 28.9% | 29.2% | 35.2% |
| 偏移 | 读取的位置（依次替代 PO5 PO3 POZ PO4 PO6 O1 OZ O2） | 保留的原始位置（共 8 个） | 读数位置的平均位移 |
|---|---|---|---|
| 向前一行 | P3 P1 PZ P2 P4 PO3 POZ PO4 | 3 | 3.48 cm |
| 向左一列 | P5 PO5 PO3 POZ O2 PO7 O1 OZ | 6 | 2.82 cm |
| 向右一列 | O1 POZ PO4 PO6 P6 OZ O2 PO8 | 6 | 2.82 cm |
去掉解码之前一项不看标签的通道检查所标出的三名被试（剩 67 人），每项主要对比的均值最多变化 1.1 pp，符号都不变。
在原位置上，CCA（63.1%）、spectral ridge（50.7%）与 CBraMod（33.7%）完全复现了已发布的 2 秒、8 电极单元格，滤波器组 CCA（79.1%）与其核心矩阵中的单元格相等；EEGNet 3 个训练随机种子的均值为 56.0%，已发布的单种子单元格为 55.8%，后者在另一种设备上运行。
次要结果，各带名义 95.0% 区间
次要结果没有做多重比较校正，区间为名义水平，不作整体结论。
Spectral ridge 与 CBraMod：偏移后减原位置
| 解码器 | 向前一行 | 向左一列 | 向右一列 |
|---|---|---|---|
| Spectral ridge | −13.3 pp(−16.8 至 −10.0 pp) | −10.5 pp(−12.7 至 −8.3 pp) | −10.3 pp(−13.3 至 −7.5 pp) |
| CBraMod | −9.3 pp(−12.7 至 −5.9 pp) | −15.2 pp(−17.8 至 −12.8 pp) | −16.2 pp(−19.6 至 −13.0 pp) |
失配：原位置拟合的解码器直接使用减重新校准
| 解码器 | 向前一行 | 向左一列 | 向右一列 |
|---|---|---|---|
| eTRCA | −22.5 pp(−28.8 至 −16.7 pp) | −32.7 pp(−38.8 至 −27.0 pp) | −41.3 pp(−47.1 至 −35.7 pp) |
| Spectral ridge | −8.2 pp(−10.4 至 −6.0 pp) | −6.8 pp(−8.9 至 −4.7 pp) | −9.4 pp(−12.2 至 −6.7 pp) |
| EEGNet | −1.2 pp(−3.6 至 +1.4 pp) | −19.3 pp(−24.0 至 −14.8 pp) | −26.4 pp(−32.0 至 −21.0 pp) |
| CBraMod | −4.5 pp(−6.3 至 −2.7 pp) | −10.7 pp(−12.8 至 −8.8 pp) | −17.8 pp(−21.6 至 −14.1 pp) |
重新校准用的是这名被试自己偏移后的试次（eTRCA），或是用同样偏移记录的其他被试（ridge、EEGNet、CBraMod）；两者都假定事先知道偏移，所以它们显示的是损失了多少，而不是一种实际可行的补救。
重新校准后仍剩的损失
| 解码器 | 向前一行 | 向左一列 | 向右一列 |
|---|---|---|---|
| eTRCA | −5.8 pp(−8.3 至 −3.2 pp) | −4.2 pp(−5.5 至 −3.0 pp) | −0.9 pp(−1.8 至 −0.1 pp) |
| Spectral ridge | −5.1 pp(−7.5 至 −2.8 pp) | −3.7 pp(−4.9 至 −2.5 pp) | −0.9 pp(−2.0 至 +0.3 pp) |
| EEGNet | −13.9 pp(−18.7 至 −9.1 pp) | −6.3 pp(−8.5 至 −4.1 pp) | −0.9 pp(−2.9 至 +1.0 pp) |
| CBraMod | −4.8 pp(−7.2 至 −2.5 pp) | −4.5 pp(−6.0 至 −3.0 pp) | +1.6 pp(+0.2 至 +3.0 pp) |
样条插值位移：插值后的电极帽减原位置
| 解码器 | 1 cm | 2 cm | 3 cm |
|---|---|---|---|
| 向前一行 | |||
| CCA | −1.9 pp(−2.8 至 −1.0 pp) | −6.7 pp(−8.3 至 −5.1 pp) | −14.9 pp(−17.7 至 −12.1 pp) |
| 滤波器组 CCA | −0.9 pp(−1.7 至 −0.1 pp) | −4.3 pp(−6.0 至 −2.7 pp) | −11.9 pp(−15.6 至 −8.3 pp) |
| eTRCA | −4.8 pp(−7.8 至 −2.6 pp) | −12.1 pp(−16.9 至 −8.0 pp) | −25.2 pp(−31.1 至 −19.8 pp) |
| Spectral ridge | −1.7 pp(−3.3 至 −0.04 pp) | −4.7 pp(−7.2 至 −2.2 pp) | −8.9 pp(−12.0 至 −5.9 pp) |
| EEGNet | −1.1 pp(−3.1 至 +0.7 pp) | −5.7 pp(−8.9 至 −2.5 pp) | −12.2 pp(−16.7 至 −7.8 pp) |
| CBraMod | −1.7 pp(−2.7 至 −0.6 pp) | −3.5 pp(−5.5 至 −1.5 pp) | −8.3 pp(−11.3 至 −5.3 pp) |
| 向左一列 | |||
| CCA | −1.0 pp(−1.6 至 −0.4 pp) | −3.5 pp(−4.9 至 −2.3 pp) | −7.5 pp(−9.4 至 −5.7 pp) |
| 滤波器组 CCA | −0.8 pp(−1.3 至 −0.3 pp) | −2.7 pp(−3.7 至 −1.8 pp) | −5.6 pp(−7.2 至 −4.0 pp) |
| eTRCA | −5.8 pp(−8.2 至 −3.8 pp) | −18.5 pp(−22.7 至 −14.5 pp) | −38.7 pp(−44.6 至 −33.0 pp) |
| Spectral ridge | −1.6 pp(−2.6 至 −0.5 pp) | −5.1 pp(−6.8 至 −3.3 pp) | −10.2 pp(−12.3 至 −8.2 pp) |
| EEGNet | −3.5 pp(−5.5 至 −1.5 pp) | −12.5 pp(−16.6 至 −8.6 pp) | −26.2 pp(−31.8 至 −20.8 pp) |
| CBraMod | −2.5 pp(−3.7 至 −1.4 pp) | −8.7 pp(−10.8 至 −6.6 pp) | −15.0 pp(−17.9 至 −12.3 pp) |
| 向右一列 | |||
| CCA | −0.4 pp(−1.2 至 +0.3 pp) | −0.6 pp(−1.7 至 +0.6 pp) | −1.5 pp(−2.8 至 −0.3 pp) |
| 滤波器组 CCA | −0.2 pp(−0.8 至 +0.3 pp) | −0.6 pp(−1.5 至 +0.4 pp) | −1.6 pp(−2.7 至 −0.5 pp) |
| eTRCA | −4.5 pp(−6.3 至 −2.9 pp) | −16.0 pp(−19.7 至 −12.5 pp) | −38.7 pp(−44.6 至 −32.8 pp) |
| Spectral ridge | −0.8 pp(−1.8 至 +0.2 pp) | −4.1 pp(−6.1 至 −2.4 pp) | −10.7 pp(−13.4 至 −8.1 pp) |
| EEGNet | −2.8 pp(−4.9 至 −0.8 pp) | −14.7 pp(−19.4 至 −10.4 pp) | −31.7 pp(−37.8 至 −25.7 pp) |
| CBraMod | −2.3 pp(−3.4 至 −1.2 pp) | −8.7 pp(−11.1 至 −6.4 pp) | −16.6 pp(−20.0 至 −13.3 pp) |
插值得到的位置是若干实际记录位置的加权组合，所以对于按位置拟合的解码器，样条插值得到的剂量效应混合了位移与插值本身的影响，只作参考。
不做任何偏移、只用其余位置重建每个原始位置，CCA −1.7 pp，滤波器组 CCA −1.2 pp，eTRCA −22.6 pp，Spectral ridge −2.6 pp，EEGNet −14.5 pp，CBraMod −11.7 pp。在相邻位置映射对应的角度上，样条插值给 eTRCA 的结果比向右的映射高 +10.2 pp，向左高 +3.8 pp。
1 秒时间窗：偏移后减原位置
| 解码器 | 向前一行 | 向左一列 | 向右一列 |
|---|---|---|---|
| CCA | −8.9 pp(−11.1 至 −6.8 pp) | −3.0 pp(−4.4 至 −1.7 pp) | −0.3 pp(−1.4 至 +0.9 pp) |
| 滤波器组 CCA | −15.2 pp(−18.1 至 −12.4 pp) | −7.1 pp(−8.5 至 −5.6 pp) | −1.2 pp(−2.7 至 +0.2 pp) |
| eTRCA | −31.9 pp(−37.1 至 −27.0 pp) | −38.7 pp(−43.9 至 −33.6 pp) | −44.5 pp(−49.8 至 −39.3 pp) |
下降幅度之差：同一偏移下，前一个解码器的变化减后一个的变化
| 解码器 | 向前一行 | 向左一列 | 向右一列 |
|---|---|---|---|
| eTRCA − 滤波器组 CCA | −13.9 pp(−21.0 至 −7.1 pp) | −32.6 pp(−38.4 至 −27.0 pp) | −41.1 pp(−46.8 至 −35.5 pp) |
| EEGNet − CCA | +2.6 pp(−1.0 至 +6.2 pp) | −19.7 pp(−24.6 至 −15.0 pp) | −26.3 pp(−32.1 至 −20.6 pp) |
模拟的局限
模拟把整个电极帽当作一个整体移动，参考电极保持不动；真实的滑动可能只是局部的，会改变接触与阻抗，参考电极也可能一起移动。不模拟向后滑动，也不模拟向一侧耳朵滑动。
BETA 只给出模板电极位置，所以每个人的真实位移并不知道。相邻位置映射使读数位置平均向前移动 3.48 cm、向两侧移动 2.82 cm，分别保留了 8 个原始位置中的 3 个和 6 个，所以不同方向之间不作比较。
区间对被试重抽样，拟合好的模型保持不变；训练本身带来的变异不包括在内。
只有一个数据集，是离线的 40 目标分类，没有测量延迟或在线信息传输率；不能据此对任何头戴设备下结论。
各解码器的起点准确率相差很大，所以以 pp 计的变化要与各自的基线一起看。
数据与方法的来源
BETA · Bingchuan Liu et al. · BETA: A Large Benchmark Database Toward SSVEP-BCI Application (2020), doi:10.3389/fnins.2020.00627. Figshare 12264401 v3; mirror Bingchuan/BETA.
CC BY 4.0 ↗ · 被试同意书中描述的用途为非商业科学研究 · Bingchuan/BETA ↗
冻结的 CBraMod：代码为 MIT 许可，权重按其官方模型卡为 Apache-2.0；不分发。 方法页
Nakanishi et al. 2018 (ensemble TRCA) · Chen et al. 2015, doi:10.1088/1741-2560/12/4/046008 (filter-bank CCA)
数据来源： 已审核的聚合 JSON · schema bci-report-electrode-shift-update-v1。
方法与局限
两项配对比较的局限
睡眠 · 耳道内与头皮
是 6 个头皮电极，不是 8 个
头皮文件里还有两个乳突位通道，只用于完整性筛选，从未进入模型。
位置、数量与硬件一起变化
耳道内与头皮两种配置在电极位置、几何形状和数量上都不同。这个差值是描述性的，不是耳部硬件本身带来的损失估计。
一个简单、未调参的模型
每个通道 5 个对数频带功率特征，加 L2 正则化逻辑回归，没有任何超参数搜索；换用更强的模型，两种配置的分数都可能更高。
睁眼与闭眼 · 4 个与 16 个电极
流程检验
闭眼会在头部后方产生很强的 alpha 节律，所以后部 4 个电极就足以承载这个任务。专注度、脑力负荷与意图检测各需单独检验。
用软件选出的通道
从 16 电极湿电极帽记录中用软件选出的 4 个通道，不能验证一台实体的 4 通道设备。
20 份记录中用了 19 份
原始数据共有 20 份记录。作者自己的数据加载程序排除了第 07 份，这项比较沿用了这个固定队列。我们的事件审计也在这份记录里发现了重叠事件，但作者排除它的原因尚不清楚。
滤波器组 CCA、CCA 以及基于 CCA 统计量的学习分类头，也在 BETA 上用更少的后部电极和更短的时间窗做了比较，所用 SSVEP 频率不参与训练。见「解码器靠什么回答没训练过的 SSVEP 频率？」。
两个冻结编码器和一个对数频带功率岭回归，也在部分通道置零后读取过（是在预处理之后把通道置零，不是实际的电极布局），分类头保持不变或重新拟合：两个已发布编码器上的通道置零：分类头保持或重新拟合 →
EESM23 · Ear-EEG Sleep Monitoring 2023
Dataset: Yousef Rezaei Tabar, Kaare Mikkelsen, Laura Birch, Nelly Shenton, Simon L. Kappel, Astrid R. Bertelsen, Reza Nikbakht, Hans O. Toft, Chris H. Henriksen, Martin C. Hemmsen, Mike L. Rank, Marit Otto and Preben Kidmose · Ear-EEG Sleep Monitoring 2023 (EESM23), OpenNeuro ds005178 v1.0.0, doi:10.18112/openneuro.ds005178.v1.0.0. Study: Kaare Bjarke Mikkelsen, Yousef Rezai Tabar, Laura Rævsbæk Birch, Simon Lind Kappel, Christian Bech Christensen, Lars Dalskov Mosgaard, Marit Otto, Martin Christian Hemmsen, Mike Lind Rank and Preben Kidmose · Ear-EEG sleep monitoring data sets, Scientific Data 12, 301 (2025), doi:10.1038/s41597-025-04579-8. Processed export: Zachary1150/EESM23-Processed on Hugging Face, which did not create the original cohort.
同意书覆盖的是研究本身；数据是在 Region Midt 的 GDPR 办公室判定其已完全匿名化之后才公开的。这里只发布队列级聚合结果。
OpenNeuro 数据集 ↗ · Scientific Data 论文 ↗ · 处理后导出版本 ↗ · CC0-1.0
EEG Alpha Waves dataset
Grégoire Cattan, Pedro L. C. Rodrigues and Marco Congedo · EEG Alpha Waves dataset, Zenodo, doi:10.5281/zenodo.2605110. Report: Grégoire Cattan, Pedro Luiz Coelho Rodrigues and Marco Congedo · EEG Alpha Waves Dataset, research report, GIPSA-lab, Grenoble, 2018, hal-02086581.
据原始报告，每名被试都签署了书面知情同意，内容涵盖实验流程、数据管理方式以及随时退出实验的权利。报告未提及伦理委员会。这里只发布队列级聚合结果。
Zenodo 记录 ↗ · HAL 报告 ↗ · 作者代码 ↗ · CC-BY-4.0
数据来源： 已审核的聚合 JSON · schema bci-report-evidence-update-v1。
引用本页
BCI Report. 更少的电极、或耳道内电极，能比得上完整的头皮电极吗？[EB/OL]. (2026-11-06). https://bci.report/zh/topics/fewer-electrodes/
数字来自发布 electrode-shift-update-20261106（2026-11-06）、eegpt-core-update-20261013（2026-10-13）、foundation-models-update-20261004（2026-10-04）、evidence-update-20260922（2026-09-22）、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。 本站及各次发布的 BibTeX → · CITATION.cff ↗（英文）