BCI Report纳入的队列记录
23
Main 9 条（共 14 条），Transfer Learning 14 条（共 14 条）。这是记录数，不能证明是不同的人。
跨会话迁移 · 同一被试，不使用后一次会话的标签
在较早会话上训练的解码器，到后来还管用吗？
三个数据集、四项结果，逐项分开看。跨记录会话的运动想象：分类头用较早会话拟合的冻结 CBraMod，在两个队列中都高于频谱基线。后续访次上的目标检测：第一次访次训练的解码器，到最后一个标称访次时对目标的排序变差，平均精确率也更低。连续光标追踪：每一条纳入记录上，固定解码器都不如一个常数基线。
测量所用数据集：WBCIC-SHU motor imagery dataset、Longitudinal ERP dataset (RSVP)、Forenzo & He continuous-tracking EEG-BCI dataset · 方法：CBraMod
简答
部分管用，而且每项结果都要单独看。WBCIC-SHU 运动想象——用每名被试的第 1 次记录会话训练、在第 3 次会话上测试，不使用第 3 次会话的任何标签；二分类队列 51 名被试、三分类队列 11 名被试，分开分析——分类头用第 1 次会话拟合的冻结 CBraMod，平衡准确率分别为 67.7% 和 51.6%，比相对频谱功率 + 岭回归（relative spectral ridge）高 +13.8 pp 和 +14.0 pp（pp 即百分点），两个配对区间都在零以上。它需要这名被试较早会话的标签，所以是同一被试的跨会话迁移，不是给新被试解码，也不能说明提升来自预训练。纵向 RSVP 任务上，15 名被试各自在第一次访次训练的解码器，在发布者标称的第 7 天访次上，对目标排序的 AUROC 为 0.888，在标称第 200 天为 0.853，配对变化 −0.035（−0.065 至 −0.006）；目标事件只占约 2.5%，平均精确率从 0.359 降到 0.240。标称的访次标签不能把这两项下降归因于时间流逝。连续光标追踪中，用每条记录最早会话训练的固定 spectral ridge，在最晚会话上的总体误差高于一个常数的源会话均值对照——两个队列、两种响应变量下的每一条纳入记录都是如此：这是一个阴性结果，并且上尾极重。
WBCIC-SHU · 运动想象 · 第 1 次会话到第 3 次会话
隔两次会话的运动想象：两个基线与一个冻结编码器
被试想象左手或右手运动（二分类队列，51 名被试），或者在另一个独立的三分类队列中（11 名被试）再加上脚部动作，共记录三次会话。每名被试完整的第 1 次会话用于训练解码器，第 3 次会话用于测试；第 2 次会话不使用，也不使用第 3 次会话的任何标签。会话编号只是记录会话的序号，不保证固定的时间间隔，也不保证在不同的日子。两个队列分开分析，从不平均。
| 解码器 | 二分类运动想象 · 51 名被试左手或右手 | 三分类运动想象 · 11 名被试左手、右手或脚 |
|---|---|---|
| 源会话多数类先验预测第 1 次会话中最常见的类别：一个下限，不是模型 | 50.0%准确率 50.0% · 宏平均 F1 33.3% | 33.3%准确率 33.3% · 宏平均 F1 16.7% |
| 相对频谱功率 + 岭回归固定的 CPU 基线 | 53.9%95% 区间 52.7%–55.1%准确率 53.9% · 宏平均 F1 49.7% | 37.6%95% 区间 35.4%–40.0%准确率 37.6% · 宏平均 F1 34.1% |
| CBraMod · 冻结编码器，分类头用第 1 次会话拟合只拟合分类头，不训练编码器 | 67.7%95% 区间 64.8%–70.5%准确率 67.7% · 宏平均 F1 66.9% | 51.6%95% 区间 45.2%–58.3%准确率 51.6% · 宏平均 F1 50.5% |
| 解码器 | 二分类运动想象 · 51 名被试 | 三分类运动想象 · 11 名被试 |
|---|---|---|
| spectral ridge 减源会话先验 | +3.9 pp95% 区间 +2.7 至 +5.1 pp区间在零以上。 | +4.3 pp95% 区间 +2.1 至 +6.6 pp区间在零以上。 |
| 冻结 CBraMod 减 spectral ridge | +13.8 pp95% 区间 +11.3 至 +16.4 pp区间在零以上。 | +14.0 pp95% 区间 +7.5 至 +20.8 pp区间在零以上。 |
+13.8 pp冻结 CBraMod 减 spectral ridge，二分类队列，51 名被试
两个队列中都高于频谱基线——这是两条流程之间的比较
配对区间 +11.3 至 +16.4 pp。在人数较少的三分类队列中，差值为 +14.0 pp（+7.5 至 +20.8 pp）。CBraMod 这一组是在频谱结果出来之后才冻结的，并复用了同样的测试试次：这是一次比较性的后续分析，不是全新的测试集。没有结构相同的随机初始化对照，两种特征空间的维度与预处理也不同（相同的岭回归 alpha 并不能使两者的正则化程度相当），这个检查点的预训练数据中是否出现过 WBCIC-SHU 也没有确定，所以这个差值比较的是两条流程，不能说明它来自预训练。分类头用每名被试第 1 次会话的标签训练：不使用第 3 次会话的标签，并不等于能给新被试解码。
试次：二分类队列训练 10,199 个、测试 10,195 个；三分类队列训练 3,299 个、测试 3,300 个；没有排除任何被试或试次。186 条会话记录中有 6 条的试次数少于发布者标称的数量（实际 40,490 个，标称 40,500 个）；其中 3 条在所用的会话中，按经过审查的可变试次数规则纳入，不补齐、不截断，也不按表现剔除；原先按严格计数设置的暂缓仍保留在记录中。缺失试次的原因不明。
纵向 RSVP · 目标检测 · 第一次访次训练的解码器
第一次训练的脑电解码器，在后续访次还有效吗？
同一被试、离线的 RSVP 分类；访次为发布者的标称标签；不对目标会话做任何适配。Same-person, offline RSVP classification; publisher nominal visit labels; no target-session adaptation.
在快速序列视觉呈现（RSVP）中，屏幕上连续呈现人脸图像，解码器要找出其中少见的目标。15 名被试（数据源中的 A 组）在发布者标为第 1、7、80、200 天的访次上记录。每名被试的解码器只用其第一次访次训练和校准，之后原样在每个后续访次上评分：每个访次 15 名被试合计 72,000 个事件。
解码器：Normalized ERP features + logistic/Platt (CPU baseline)（归一化 ERP 特征 + logistic/Platt，CPU 基线）。
标称第 7 天95% 区间 0.864–0.911
0.888
标称第 80 天95% 区间 0.854–0.903
0.879
标称第 200 天95% 区间 0.827–0.879
0.853
读图时请同时注意
- 同一被试：每名被试的解码器用其本人第一次访次的标签训练和校准。不是给新被试用的解码器。
- 标称访次：第 7、80、200 天是发布者的标签，并没有核实每名被试具体的日历间隔。
- 目标很少：每个访次中目标事件都只占约 2.5%（各访次的数值见下表）。AUROC 衡量排序；平均精确率不是某个阈值下的精确率；两者都不是在线选择的成功率。目标占比只是对数据的描述，不是对照组。
- 15 名被试、一个固定的离线基线：不涉及临床、实时或因果方面的结论，也没有基础模型。
| 指标 | 标称第 7 天 | 标称第 80 天 | 标称第 200 天 |
|---|---|---|---|
| AUROC衡量排序，0 到 1；不是准确率 | 0.88895% 区间 0.864–0.911 | 0.87995% 区间 0.854–0.903 | 0.85395% 区间 0.827–0.879 |
| 平均精确率0 到 1；不是某个阈值下的精确率 | 0.359 | 0.310 | 0.240 |
| 对数损失每个事件，自然对数；越低越好 | 0.154 | 0.114 | 0.164 |
| Brier 分数越低越好 | 0.029 | 0.027 | 0.038 |
| ECE，10 个分箱期望校准误差；越低越好 | 0.023 | 0.020 | 0.039 |
| 目标事件占该访次全部事件 | 1,794 个（共 72,000 个）2.5% | 1,786 个（共 72,000 个）2.5% | 1,793 个（共 72,000 个）2.5% |
| 实际呈现的事件受保护的评分接口不提供此计数 | 不可得（空值，不是零） | 不可得（空值，不是零） | 不可得（空值，不是零） |
−0.035AUROC，标称第 200 天减第 7 天，相同的 15 名被试
标称第 200 天时，AUROC 与平均精确率都更低
配对区间 −0.065 至 −0.006，在零以下。15 名被试中有 6 人下降了 0.05 AUROC 及以上。平均精确率也更低：标称第 7 天为 0.359，第 200 天为 0.240。这描述的是这一队列和这一解码器，不能说明变化是由时间流逝造成的。
标签编码：论文和发布者的示例脚本都把 1 记为非目标、2 记为目标，而数据发布中的 Trigger.txt 正好相反。这里遵循论文和脚本，这一优先顺序在建模之前就已确定；这处矛盾保留在明处。
连续光标追踪 · 阴性结果
一个简单基线揭示了跨会话解码器的失败
离线、同一被试、不对目标会话做任何适配。Offline, same-person, no target-session adaptation
被试用运动想象控制光标，追踪一个在屏幕上连续移动的目标；发布者把数据分为 Main 与 Transfer Learning 两个队列。对每条纳入记录，固定的 spectral ridge 用最早一次完整记录会话中所有符合条件、非 chance 的 run 训练，在最晚一次会话上测试，不使用该会话的任何标签，并与源会话均值对照比较：即最早会话的平均响应，对每一行都重复使用。解码器在较晚的会话上能胜过这个常数吗？这里没有。
每种响应变量的目标行数
1,999,926
两种响应变量用的是同一批行：两个结果变量并不使独立样本加倍。没有删除任何响应行。
响应拟合
46
每条纳入记录、每种响应变量各一次，全部成功。
误差指标是联合的源会话标准差归一化 RMSE：误差除以最早会话中响应的标准差，在每个试次内先对两个坐标轴平均再开平方。越低越好。它是误差，不是百分比，也不是准确率。每条记录对其试次等权平均，每个队列的均值对记录等权；区间在队列内对记录重抽样。
两种响应变量，各有一张表。它们是同一批行上的不同结果变量：从不合并，它们的误差也不互相比较。
历史解码器速度 · 模仿历史解码器（historical decoder imitation）
模仿的是记录时所用解码器的输出（由发布者保存），不是意图中的手部运动，也不是意图控制。
| 队列 | spectral ridge · 均值 | spectral ridge · 中位数 | 源会话均值对照 · 均值 | ridge 减对照 · 相同记录 |
|---|---|---|---|---|
| Main 队列纳入 9 条记录（共 14 条） | 192.29095% 区间 1.292 至 574.235 | 1.317均值是中位数的 146 倍 | 1.26695% 区间 1.214 至 1.316 | 191.02495% 区间 0.026 至 572.995ridge 误差更高的记录：9 条（共 9 条） |
| Transfer Learning 队列纳入 14 条记录（共 14 条） | 44.17295% 区间 0.955 至 130.476 | 0.990均值是中位数的 45 倍 | 0.86495% 区间 0.801 至 0.929 | 43.30895% 区间 0.105 至 129.601ridge 误差更高的记录：14 条（共 14 条） |
Main · spectral ridge · 均值95% 区间 1.292–574.235
192.290
Main · spectral ridge · 中位数
1.317
Main · 源会话均值对照 · 均值95% 区间 1.214–1.316
1.266
Transfer Learning · spectral ridge · 均值95% 区间 0.955–130.476
44.172
Transfer Learning · spectral ridge · 中位数
0.990
Transfer Learning · 源会话均值对照 · 均值95% 区间 0.801–0.929
0.864
构造的位移代理变量 · 构造的代理变量（constructed proxy）
在发布者的屏幕坐标中，目标位置减光标位置，单独拟合的代理变量。
| 队列 | spectral ridge · 均值 | spectral ridge · 中位数 | 源会话均值对照 · 均值 | ridge 减对照 · 相同记录 |
|---|---|---|---|---|
| Main 队列纳入 9 条记录（共 14 条） | 698.49995% 区间 1.166 至 2,093 | 1.225均值是中位数的 570 倍 | 1.05695% 区间 0.977 至 1.133 | 697.44395% 区间 0.121 至 2,092ridge 误差更高的记录：9 条（共 9 条） |
| Transfer Learning 队列纳入 14 条记录（共 14 条） | 69.84495% 区间 1.071 至 207.287 | 1.182均值是中位数的 59 倍 | 0.91695% 区间 0.841 至 0.987 | 68.92895% 区间 0.143 至 206.410ridge 误差更高的记录：14 条（共 14 条） |
Main · spectral ridge · 均值95% 区间 1.166–2,093
698.499
Main · spectral ridge · 中位数
1.225
Main · 源会话均值对照 · 均值95% 区间 0.977–1.133
1.056
Transfer Learning · spectral ridge · 均值95% 区间 1.071–207.287
69.844
Transfer Learning · spectral ridge · 中位数
1.182
Transfer Learning · 源会话均值对照 · 均值95% 区间 0.841–0.987
0.916
在四个“队列 × 响应变量”格子中，spectral ridge 的平均误差是其中位数的 45 到 570 倍：少数记录的误差极大。没有删除、截断或缩尾任何已评分的记录；极端误差的原因——特征分布偏移、对缩放敏感，还是别的原因——尚未确定。“每一条记录”这一结论针对的是总体主要误差，不延伸到次要指标，也不延伸到按记录时所用解码器划分的每一种情形。
覆盖情况。Main 队列纳入 9 条记录（共 14 条候选），结果以这一子集为条件；5 条在任何评分之前因元数据问题暂缓，并保留记录：2 条因为某次会话缺少必需的 Chance R01 记录；2 条因为按解码器划分的 run 分配与文档约定不符；1 条因为样本边界的几何结构不一致，其确切的数值原因没有得到独立重建。Transfer Learning 队列纳入 14 条（共 14 条）。合计 23 条纳入的队列记录，不能证明是 23 个不同的人：两个队列可能有相同的人，所以从不合并。
Transfer Learning 是发布者对该队列数据采集方式的命名；这里没有训练任何迁移学习模型。
各坐标轴的次要指标——原始 RMSE、R² 与 Pearson 相关系数
对记录等权的均值及其 95% 区间。原始 RMSE 的单位是各响应变量的存储单位；R² 与 Pearson 无单位。常数预测没有相关系数，所以对照的 Pearson 值无定义：为空值，不是零。上面“每一条记录”的结论不延伸到这些指标，它们的配对差值也不发布。
| 队列与模型 | 原始 RMSE，水平 | 原始 RMSE，垂直 | R²，水平 | R²，垂直 | Pearson，水平 | Pearson，垂直 |
|---|---|---|---|---|---|---|
| Main 队列spectral ridge | 38.88995% 区间 0.309 至 116.038 | 50.59995% 区间 0.312 至 151.159 | −172,98395% 区间 −518,950 至 −0.018 | −296,66395% 区间 −889,988 至 −0.046 | 0.02995% 区间 0.00233 至 0.061 | 0.03495% 区间 0.00105 至 0.073 |
| Main 队列源会话均值对照 | 0.30695% 区间 0.290 至 0.321 | 0.30295% 区间 0.289 至 0.313 | −0.00049895% 区间 −0.000786 至 −0.000255 | −0.00037795% 区间 −0.000659 至 −0.000127 | 无定义（空值） | 无定义（空值） |
| Transfer Learning 队列spectral ridge | 4.44395% 区间 0.212 至 12.877 | 13.81595% 区间 0.229 至 40.954 | −5,44095% 区间 −16,319 至 −0.188 | −58,11795% 区间 −174,350 至 −0.339 | 0.04595% 区间 0.00527 至 0.096 | 0.01995% 区间 −0.022 至 0.075 |
| Transfer Learning 队列源会话均值对照 | 0.19895% 区间 0.184 至 0.212 | 0.20195% 区间 0.187 至 0.217 | −0.00018795% 区间 −0.000314 至 −0.0000754 | −0.00093795% 区间 −0.00140 至 −0.000531 | 无定义（空值） | 无定义（空值） |
| 队列与模型 | 原始 RMSE，水平 | 原始 RMSE，垂直 | R²，水平 | R²，垂直 | Pearson，水平 | Pearson，垂直 |
|---|---|---|---|---|---|---|
| Main 队列spectral ridge | 124.82895% 区间 0.412 至 373.616 | 332.15295% 区间 0.431 至 995.534 | −928,35095% 区间 −2,785,050 至 −0.183 | −6,442,34195% 区间 −19,327,021 至 −0.388 | 0.05095% 区间 0.031 至 0.074 | 0.07295% 区间 0.018 至 0.137 |
| Main 队列源会话均值对照 | 0.38895% 区间 0.366 至 0.413 | 0.37695% 区间 0.349 至 0.404 | −0.02695% 区间 −0.045 至 −0.00771 | −0.02195% 区间 −0.039 至 −0.00612 | 无定义（空值） | 无定义（空值） |
| Transfer Learning 队列spectral ridge | 9.77295% 区间 0.415 至 28.423 | 38.15195% 区间 0.445 至 113.515 | −21,50495% 区间 −64,511 至 −0.318 | −337,64095% 区间 −1,012,920 至 −0.391 | 0.03595% 区间 0.00847 至 0.067 | 0.03495% 区间 0.00753 至 0.062 |
| Transfer Learning 队列源会话均值对照 | 0.36695% 区间 0.327 至 0.402 | 0.38095% 区间 0.341 至 0.414 | −0.0066495% 区间 −0.010 至 −0.00352 | −0.01695% 区间 −0.030 至 −0.00526 | 无定义（空值） | 无定义（空值） |
方法与局限
这些结果能说明什么，不能说明什么
每项结果是怎样得到的
WBCIC-SHU 基线
使用发布者预处理后的衍生数据：58 个匿名通道编号，250 Hz，4 秒分段。每个通道在 4–8、8–13、13–30 与 30–40 Hz 频带上的 Welch 相对频带功率，取对数比：每个试次 232 个值。StandardScaler 只在第 1 次会话上拟合，之后是 RidgeClassifier（alpha 为 1，不加类别权重）。没有超参搜索、目标会话归一化、校准或拒识。
WBCIC-SHU，冻结 CBraMod
同样的试次，重采样到 200 Hz 并补零到 800 个采样点；每个试次、每个通道除以其自身的标准差，这是无量纲的输入，不是该检查点原生的幅值，所以这里也不复现上游基准中的数字。CBraMod 处于评估模式，所有权重冻结；四个时间片嵌入取平均，每个试次 11,600 个值；为每名被试单独在其第 1 次会话上拟合 StandardScaler 与 RidgeClassifier。没有训练主干网络，没有 LoRA，也没有目标会话校准。
纵向 RSVP
57 个 EEG 通道，每个事件前 200 ms 到后 700 ms，做基线归一化；从 +100 到 +700 ms 取 6 个 100 ms 平均，每个事件 342 个值。每名被试第一次访次的第 1–3 组块拟合固定的 L2 逻辑回归，第 4 组块拟合 Platt 校准；后续访次在第 2–4 组块上评分。不使用 B 组。没有超参搜索、目标标签校准、微调或 LoRA。
连续光标追踪
62 个通道，1,000 Hz，发布者已做带通与陷波滤波。4 到 30 Hz 之间的 5 个频带，经逐试次的 FIR 滤波，取前 1 秒的频带功率，表示为相对通道的对数功率：每行 310 个值，来自试次内过去 2 秒的窗口，每 40 ms 一行。每种响应变量分别只在最早会话上拟合 StandardScaler 与响应缩放，之后是 Ridge（alpha 为 1）。没有调参、LoRA、目标会话校准或基础模型推理。
区间覆盖了什么
每个区间都是逐点的 95% 百分位区间，来自在各自队列内对被试（光标追踪中为记录）做的 10,000 次 bootstrap 重抽样，每个差值都用配对抽样。区间都以训练好的固定模型及其预测为条件：不包含重新拟合、预处理、模型与协议选择带来的不确定性——对 CBraMod 也不包含预训练数据重叠带来的不确定性——也没有做多重比较校正。
四项结果共同的局限
- 每项结果都是同一被试。每个解码器都用这个人自己较早的有标签数据训练；这里没有任何结果衡量解码器在从未见过的人身上、或在另一个数据集上的表现。
- 只有离线结果。不涉及实时、闭环、临床或部署方面的结论；在光标追踪中，也不涉及在线控制质量或意图运动解码。
- 不合并，不排名。三个数据集、WBCIC-SHU 的两个队列、光标追踪的两个队列及其两种响应变量，都分开报告；没有一个分数能概括它们，也都不进入八个协议的核心矩阵。
- 协议固定，在评分之前冻结；这里的分数没有用来调整协议。已说明的例外是 CBraMod 这一组：它在 spectral ridge 的结果出来之后才冻结，并复用了同样的测试试次。
- 目标数据的标签与元信息曾被查看过。WBCIC-SHU 较早的结构检查查看过标签的取值范围与计数，RSVP 的事件角色与目标标签在质量检查中查看过。所有预测都在评分之前封存，没有任何目标标签进入归一化、拟合、校准、预测，或超参数、阈值、拒识与重试方面的决定。
- 沿用发布者的预处理。WBCIC-SHU 的通道顺序依据的是发布者的处理流程与原始文件头，而不是从原始数据到处理后数据的直接证明，它的物理幅值也尚未确定。其参考、滤波、分段与基线处理的选择过程及时间支撑也没有完全确定。
- 没有校准组。WBCIC-SHU 的两项结果都不能说明加入少量第 3 次会话的有标签试次是否有帮助：这需要单独匹配的一组，而这里没有运行（也没有 LoRA 或校准预算方面的比较）。
- 光标追踪：会话、练习、速度与当时所用的历史解码器相互混杂，记录中的解码器标签是观察性的情境，不是随机分配的比较；会话内解码器的先后顺序未知，所以不能作按时间顺序的前缀划分或在线适配方面的结论。只用源会话数据的稳定性诊断将是一项新的、单独冻结的分析，而不是对这些分数的修改。
- 审计范围。每项结果都通过了针对其已保存预测、指标与区间的独立数值审计；都没有从原始 EEG 独立重做完整的特征提取，CBraMod 的编码器也没有在全部 EEG 上重新运行。
这里不发布的内容
任何逐人或逐条记录的数值——所有最小值与百分位数，以及除光标追踪中与均值并列的四个 spectral ridge 中位数之外的所有中位数；哪些人下降了、哪些记录更差；WBCIC-SHU 的混淆矩阵；按记录时所用解码器划分的光标追踪结果；实测的计算量；以及任何被试、记录或文件标识。
署名、许可与知情同意
WBCIC-SHU motor imagery (Yang et al. 2025)
Banghua Yang, Fenqi Rong, Yunlong Xie, Du Li, Jiayang Zhang, Fu Li, Guangming Shi and Xiaorong Gao · A multi-day and high-quality EEG dataset for motor imagery brain-computer interface, Scientific Data 12, 488 (2025), doi:10.1038/s41597-025-04826-y. Data: Banghua Yang and Fenqi Rong, WBCIC-SHU Motor Imagery Dataset, Figshare+, doi:10.25452/figshare.plus.22671172.v5, CC BY 4.0. Derived analysis by BCI Report; not endorsed by the authors.
论文陈述的伦理与知情同意：经清华大学医学伦理委员会批准（批准号 20190002），按《赫尔辛基宣言》开展。被试在了解实验流程、目的、要求与运动想象技巧之后，签署了书面知情同意。Approved by the Tsinghua University Medical Ethics Committee (approval number 20190002); carried out in line with the Declaration of Helsinki. Written informed consent was obtained from the participants after they were informed about the procedure, purpose, requirements and motor-imagery techniques.
Longitudinal ERP dataset, RSVP face task (Yang et al. 2025)
Chen Yang, Yufeng Zhang, Hongxin Zhang, Yixuan Li, Yijun Wang and Xiaorong Gao · A longitudinal EEG dataset of event-related potential, figshare, doi:10.6084/m9.figshare.27201003.v1, CC0. Paper: Yufeng Zhang, Hongxin Zhang, Yixuan Li, Yijun Wang, Xiaorong Gao and Chen Yang, A longitudinal EEG dataset of event-related potential, Scientific Data 12, 1069 (2025), doi:10.1038/s41597-025-05378-x. Derived analysis by BCI Report; not endorsed by the authors.
论文陈述的伦理与知情同意：经清华大学机构审查委员会批准（编号 20230058）。每名被试在实验前阅读并签署了知情同意书。Approved by the Tsinghua Institutional Review Board (No. 20230058). Each participant read and signed an informed consent form before the experiment.
Forenzo & He continuous-tracking EEG-BCI dataset (KiltHub)
Dylan Forenzo and Bin He · EEG-BCI Dataset for “Continuous Tracking using Deep Learning-based Decoding for Non-invasive Brain-Computer Interface”, KiltHub, Carnegie Mellon University, doi:10.1184/R1/25360300.v1, CC BY 4.0. Citation the record requests: Dylan Forenzo, Hao Zhu, Jenn Shanahan, Jaehyun Lim and Bin He, Continuous tracking using deep learning-based decoding for noninvasive brain–computer interface, PNAS Nexus 3(4), pgae145 (2024), doi:10.1093/pnasnexus/pgae145. Derived analysis by BCI Report; not endorsed by the authors and not a reproduction of the paper's online results.
论文陈述的伦理与知情同意：经 Carnegie Mellon University 机构审查委员会批准；论文没有给出批准编号。每名被试在参加之前对实验方案给予了书面同意。Approved by the Institutional Review Board at Carnegie Mellon University; no approval number is given. Each subject provided written consent to the protocol before participating.
CBraMod
CBraMod，即这里的冻结编码器：其论文，以及固定检查点的 SHA-256 0792cb808c14…（版本 b9e961003214…）。WBCIC-SHU 是否出现在它的预训练数据中没有确定：模型论文说明预训练使用 TUH EEG 语料，固定版本的代码仓库把 SHU 列为下游任务，两者都没有给出针对该检查点的文件清单。
以上均为 BCI Report 的衍生分析，只发布聚合结果；不代表数据作者的认可，也不再分发任何原始数据。
数据来源： later-sessions-update.json · schema bci-report-later-sessions-update-v1。
引用本页
BCI Report. 在较早会话上训练的解码器，到后来还管用吗？[EB/OL]. (2026-10-08). https://bci.report/zh/topics/later-sessions/
数字来自发布 later-sessions-update-20261008（2026-10-08）。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）