# 新被试、第二天：预训练模型该更新哪一部分？

模型适配 · 新被试；次日实验暂缓发布

预训练编码器遇到没见过的被试、而任务是它已适配过的任务时，该更新哪一部分：只训分类头、最后一个 Transformer 块，还是低秩适配器（LoRA）——三种方式的检查点、数据划分、初始分类头、批次和训练 5 轮的配方都相同。同一问题的次日版本也已运行；它的数据源处于暂缓状态，所以只列出、不给数字。

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

测量所用数据集： [EEGMAT](https://bci.report/zh/datasets/eegmat/) · 方法： [LaBraM](https://bci.report/zh/methods/labram/)

## 简答

新被试、同一任务、不使用测试被试的任何标签：LaBraM Base 区分心算与静息，**36** 名被试按被试不重叠分成 5 折；连同分类头更新最后一个 Transformer 块，平衡准确率达到 **65.7%**，秩为 4 的 LoRA 为 **64.1%**，只做短训练的分类头为 **56.6%**；LoRA 减最后一个 Transformer 块的区间跨过零，所以无法说明哪一个更好。只训分类头的结果并不是冻结编码器能达到的最好结果：核心矩阵中同一批被试、同一数据划分上的冻结 LaBraM 配岭回归分类头，得分 **64.6%**，但分类头不同，也不是配对比较。第二天的问题这里没有回答：该实验已运行，但数据源处于暂缓状态，所以不发布它的任何数字。

新被试、同一任务、不使用测试被试的任何标签 · 2026 年 10 月 1 日审核

## 基础模型怎么适配：只训分类头、最后一个 Transformer 块（block）还是 LoRA？

LaBraM Base 在 EEGMAT 上区分心算与静息：36 名被试，按被试不重叠分成 5 折，所以每个分数都来自模型适配时没见过的人，也不使用测试被试的任何标签。三种更新方式从同一个分类头出发，以相同顺序看到相同的批次，都训练 5 轮（epoch）。3 个随机种子先在每名被试内平均，再求队列均值。

只训分类头 · 编码器冻结

56.6%

宏平均 F1 54.6% · 可训练参数 402 个

— 95% 区间 54.2%–59.0%

最后一个 Transformer 块 + 分类头

65.7%

宏平均 F1 62.3% · 可训练参数 482,882 个

— 95% 区间 61.6%–69.7%

秩为 4 的 LoRA + 分类头

64.1%

宏平均 F1 60.5% · 可训练参数 38,802 个

— 95% 区间 60.2%–67.8%

作为参照：核心矩阵中同一批被试、同一数据划分上的冻结 LaBraM，配上在标准化特征上闭式求解的岭回归分类头，平衡准确率为 64.6%（核心矩阵发布，[experiments.json](https://bci.report/data/experiments.json)）。这里「只训分类头」那一组是在未缩放特征上只训 5 轮的短训练分类头——并不是冻结编码器能达到的最好结果——两者也不是配对比较。

**+7.5 pp** LoRA 减只训分类头，同一批被试（pp 为百分点）

### LoRA 胜过短训练的分类头，但没有胜过最后一个 Transformer 块

36 名被试中 30 人提升、6 人变差；配对区间 +4.8 至 +10.1 pp。改为更新最后一个 Transformer 块，提升 +9.1 pp（+6.0 至 +12.2 pp）。LoRA 减最后一个 Transformer 块为 −1.6 pp，区间 −4.4 至 +1.0 pp：跨过零，所以无法说明哪一个更好。17 人用 LoRA 更好，19 人用最后一个 Transformer 块更好。

同样 36 名被试在两种方式下的被试平均分数之差 · 描述性被试 bootstrap 95% 区间 · 提升、变差与不变的人数。

| 比较 | 平衡准确率 | 宏平均 F1 |
| --- | --- | --- |
| LoRA − 只训分类头 | +7.5 pp (+4.8 至 +10.1 pp) (30 人提升 · 6 人变差 · 0 人不变) | +5.9 pp (+2.7 至 +9.0 pp) (22 人提升 · 14 人变差 · 0 人不变) |
| 最后一个 Transformer 块 − 只训分类头 | +9.1 pp (+6.0 至 +12.2 pp) (30 人提升 · 5 人变差 · 1 人不变) | +7.7 pp (+4.4 至 +11.2 pp) (27 人提升 · 9 人变差 · 0 人不变) |
| LoRA − 最后一个 Transformer 块 | −1.6 pp (−4.4 至 +1.0 pp) (17 人提升 · 19 人变差 · 0 人不变) | −1.9 pp (−5.0 至 +1.1 pp) (15 人提升 · 21 人变差 · 0 人不变) |

在宏平均 F1 上提升更小，LoRA 相对只训分类头帮到的人也比平衡准确率上少：指标的选择会影响结论。

### 每种方式的代价

训练时间为 15 次拟合（5 折 × 3 个随机种子）之和，在一台 Apple 芯片 Mac 上用 PyTorch MPS 后端测得，不含加载与评测。

| 更新方式 | 可训练参数 | 训练时间，15 次拟合 | 平衡准确率，逐个随机种子 |
| --- | --- | --- | --- |
| 只训分类头 · 编码器冻结 | 402 | 51.5 s | (56.9% · 56.4% · 56.5%) |
| 最后一个 Transformer 块 + 分类头 | 482,882 | 65.3 s | (65.7% · 65.7% · 65.7%) |
| 秩为 4 的 LoRA + 分类头 | 38,802 | 128.2 s | (64.4% · 65.1% · 62.7%) |

LoRA 可训练的权重比最后一个 Transformer 块少得多，但这里训练反而更久：它的适配器分布在全部 12 个 Transformer 块中，梯度要反传经过编码器的大部分；而且这里的实现是等效权重参数化，不是优化过的低秩算子。可训练权重少，本身并不意味着更省时间或内存。

路线图上承诺、但这一批没有给出的：峰值内存（只记录了下界采样，因此不发布）；以及固定计算预算下的比较（各方式训练的是相同的 5 轮，而不是相同的计算量）。

次日 · 只发状态

## 同一个人，第二天：已运行，不发布

在某一天拟合的模型，换一天还管不管用、不管用时该更新哪一部分——这里还没有公开的数字。为它准备了两个数据源；出于不同的原因，两者都不能公开评分。

### 两个记录日：已运行并通过复核，暂缓发布

BNCI2015-001：12 名被试，每人记录两天。每名被试的模型用第一天训练，用第二天最前面的 0、10、20 或 40 个有标签的校准试次、以同样三种更新方式校准，再在第二天同一批后续试次上测试。与上面的结果不同，这个设计要用到测试被试本人的标签：用其第一天的试次训练，并且（零预算时除外）用其第二天最前面的试次校准。它已于 9 月 22 日运行，并通过了独立复核。该数据源的编辑暂缓仍然有效——目录标注的许可是 CC BY-NC-ND，数据说明也没有写伦理批准——所以不发布它的任何数字。

### 同一个人，之后的会话：只发状态

Stieger 纵向 BCI：获取的是一名被试的 11 次会话，而不是完整的数据集。公开的只有一点：加载程序和按时间顺序的划分（较早的会话训练、较晚的会话测试）在它上面可以运行。只有一个人时，任何分数都是这个人的分数，所以不发布；该数据源在[9 月 27 日的发布](https://bci.report/zh/releases/#context-update-20260927)中只列状态。

### 刻意分开的四个问题

新被试、新的一天、新数据集、新设备是四个不同的问题，要用不同的数据回答。在多名被试上训练出的任务适配器，并不能证明它能跨设备迁移。

一个相关的问题如今在另一份数据上有了两个经典基线的实测答案：同一个人的下一次会话，加入或不加入少量该会话的校准试次。见「[EEG 解码器需要多少校准数据？](https://bci.report/zh/topics/calibration-budget/#next-session)」。

方法与局限

## 这个结果不是什么

一个固定的配方、三种更新方式、3 个随机种子，用在模型已适配过的任务的新被试上。它描述的是这个配方在这些被试上的表现，不是各更新方式的排名。

### 一个配方，不是调参后的排名

5 轮，AdamW，学习率 1e-4，批大小 32；没有超参搜索、验证集、早停或检查点挑选。换一个学习率或训练预算，各方式的先后可能改变。

### 新被试，不是新的一天或新设备

数据划分留出的是被试，任务是模型已经适配过的任务。这里没有测量新的记录日、新的头戴设备或新的数据集。

### 已公开的数据集

EEGMAT 是公开数据，它是否在 LaBraM 的预训练数据中，无法证实。

### 描述性区间

先在每名被试内平均 3 个随机种子，再做被试 bootstrap。它没有计入共享交叉验证模型带来的相关性。

### 适配器的大小

LaBraM 基础编码器有 5,819,936 个参数。对它的 12 个融合 QKV 权重做秩为 4 的更新，增加 38,400 个可训练参数（0.66%）；加上 402 个参数的分类头，就是上面的 38,802 个。适配器张量以 float32 存储约 150 KiB（不含元数据）。

**在任何真实 EEG 运行之前通过的工程检查：** 适配器保存与重载后完全一致；合并权重后输出完全等价；每个 Transformer 块的适配器梯度有限且非零；更新后冻结编码器的权重保持不变；适配器零初始化时输出完全不变。

这些是参数计数，不代表准确率、速度、内存节省或隐私方面的任何结论。

### 这个问题已有前人研究

已有其他工作在评测 EEG 适配器：[OpenEEGBench](https://github.com/braindecode/OpenEEGBench) 覆盖 EEG 基础模型的参数高效微调；一项[关于测试时适配的系统研究](https://proceedings.mlr.press/v340/lee26a.html)报告了分布偏移下时好时坏的收益；一篇近期[预印本](https://arxiv.org/abs/2608.24727v1)比较了固定计算预算下的自监督适配。我们的侧重点是校准成本、变差的情况，以及记录条件本身是否兼容。

### EEGMAT · LaBraM adaptation, three matched update rules

Igor Zyma, Ivan Seleznov, Anton Popov, Mariia Chernykh, Oleksii Shpenkov · EEG During Mental Arithmetic Tasks 1.0.0, PhysioNet, doi:10.13026/C2JQ1P. Study: Zyma et al. (2019), doi:10.3390/data4010014. PhysioNet platform: Pollard et al. (2026), doi:10.1038/s44360-026-00096-z.

Open Data Commons Attribution License 1.0 · 仅发布聚合结果；本次适配沿用 2026-09-20 对这些记录的审查。

[数据集记录 ↗](https://physionet.org/content/eegmat/1.0.0/)

### Stieger longitudinal BCI · one-person pilot

James R. Stieger, Stephen A. Engel and Bin He · Continuous sensorimotor rhythm based brain computer interface learning in a large population, Scientific Data 8, 98 (2021); data at doi:10.6084/m9.figshare.13123148.v1.

CC-BY-4.0 · 只发状态：不发布这个数据源的任何数字。

[数据集记录 ↗](https://doi.org/10.6084/m9.figshare.13123148.v1)

数据来源： [adaptation-update.json](https://bci.report/data/adaptation-update.json) · schema bci-report-adaptation-update-v1 · 生成于 2026-10-01。

数据来源： [evidence-update.json](https://bci.report/data/evidence-update.json) · 适配器的参数计数与检查，来自 9 月 22 日发布的工程检查。

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/)

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/)

可靠性与临床

- [— 拒识 · Jev-style **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/)

[全部问题，以及哪些迁移已经测量过的地图 →](https://bci.report/zh/topics/)

## 引用本页

BCI Report. *新被试、第二天：预训练模型该更新哪一部分？*[EB/OL]. (2026-10-01). https://bci.report/zh/topics/model-adaptation/

数字来自发布 [`adaptation-update-20261001`](https://bci.report/zh/releases/#adaptation-update-20261001)（2026-10-01）、[`evidence-update-20260922`](https://bci.report/zh/releases/#evidence-update-20260922)（2026-09-22）、[`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/model-adaptation/ 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）。