# 解码器靠什么回答没训练过的 SSVEP 频率？

第三条路线 · 后续检验 · 解码器没训练过的 SSVEP 频率

在第三条路线的 BETA 队列上，六项后续检验各检验一个想法——提问方式、分类头、刺激相位、匹配计算，以及对 CCA 的学习修正；第七项把这个修正原样用于 Wearable-102。

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

测量所用数据集： [Wearable SSVEP BCI dataset (dry and wet electrodes)](https://bci.report/zh/datasets/wearable-ssvep-102/)

## 简答

在 BETA 的留出频率上，时域 CCA 加一个小的学习修正达到 **86.15%**，CCA 单独为 **80.90%**，两者都在 **8** 个频率中选择（**+5.24 pp**，**+3.91** 至 **+6.62**；**70** 名被试；pp 即百分点）。同一批模型原样用于 Wearable-102，相对 CCA 的变化为干电极 **+0.07 pp**（**−0.71** 至 **+0.91**）、湿电极 **−0.61 pp**（**−1.48** 至 **+0.23**）。读参考谱或刺激相位的学习型分类头远低于 CCA。

任务、队列与名称

## 这些后续检验怎样设置

这些后续检验回答的是一位读者在 [Hugging Face 帖子下的评论](https://huggingface.co/posts/Twu31/109502481720473)中提出的问题。

各卡片报告的任务，以及每个任务的随机水平。

| 任务 | 候选数 | 随机水平 | 卡片 | 衡量什么 |
| --- | --- | --- | --- | --- |
| 留出频率 | 8 | 12.50% | 1 · 2 · 3 · 4 · 5 · 6 | 在该轮换中训练解码器时留出的那些频率之间选择的准确率。 |
| 见过的频率（平衡） | 32 | 3.13% | 1 · 2 · 3 · 4 · 5 · 6 | 在解码器训练过的频率之间选择的平衡准确率。 |
| BETA 核心协议 | 40 | 2.50% | [BETA，八个通道](https://bci.report/zh/protocols/beta-8ch/) · [BETA，四个通道](https://bci.report/zh/protocols/beta-4ch/) | 核心矩阵的任务，结果在各自的协议页面上。 |
| Wearable-102 | 12 | 8.33% | 7 | 在 Wearable-102 的目标之间选择的准确率；干电极与湿电极头带分别评分。 |
| 用题号询问留出频率 | — | 无定义 | — | 题号只为训练中见过的频率而设，所以无法询问留出的频率。 |

卡片 1 至 6：BETA，70 名被试，11,200 个两秒时间窗，7 个被试折 × 5 个频率轮换（32 个见过、8 个留出）；训练的分类头各用 3 个随机种子。这些后续检验沿用[第三条路线](https://bci.report/zh/topics/questions-in-language/)已经研究过的队列。“没见过”指解码器中经过训练的部分没有见过。

本页使用的名称，以及数据文件中对应的代码。

| 本页名称 | 导出代码 | 卡片 |
| --- | --- | --- |
| 题号 | `ID` | 1 · 2 · 4 |
| 数值编码 | `NUM` | 1 · 2 · 4 |
| 标签模板 | `TPL` | 1 · 2 |
| 参考谱 | `REF` | 1 · 2 · 3 · 4 |
| 带刺激相位的参考谱 | `REFc-0` | 2 · 3 |
| 固定频谱匹配（无需训练） | `TEMPLATE` | 1 |
| 普通频谱 | `L0` | 1 · 2 · 3 · 4 |
| 复数频谱 | `L0c` | 2 · 3 · 4 |
| 冻结的 CBraMod 特征 | `L1` | 1 |
| FiLM 分类头 | `FS` | 1 · 2 · 3 · 4 |
| 匹配分类头 | `MATCH` | 2 · 4 |
| CCA（无需训练） | `CCA` · `CCA-RAW` | 1 · 2 · 4 · 5 · 6 |
| Hann 窗 CCA | `CCA-HANN-C` · `CCA-HANN-U` | 5 |
| 裁剪谱匹配（无需训练） | `SUBSPACE-CROP` · `CCA-CROP` — 同一组分数：卡片 5 的导出中为 SUBSPACE-CROP，卡片 6 的导出中为 CCA-CROP | 5 · 6 |
| 通道能量平均 | `CHANNEL-JOINT` · `CHANNEL-HARMONIC` | 5 |
| 共享岭回归打分器 | `SHARED-RIDGE` | 5 |
| 能量分类头 | `ENERGY-FS` | 6 |
| 适配分类头 | `ADAPT-FS` | 6 |
| 加学习修正的 CCA | `RAW-RESIDUAL` | 6 · 7 |
| 加学习修正的裁剪谱匹配 | `CROP-RESIDUAL` | 6 |
| 裁剪谱检查（Wearable-102） | `CCA-CROP` — 卡片 7 的 Wearable-102 导出中的代码 | 7 |

卡片 1 · 提问方式

## 用参考谱来提问

- 问题: 用 CCA 自身参考信号的频谱来提问，分类头在没训练过的频率上会不会做得更好？
- 改变了什么: 每个频率的问法：用参考谱代替数值编码或题号，由 FiLM 分类头在同样的特征与数据划分上读取。
- 匹配对照: 同一种 FiLM 分类头：在留出频率上用数值编码提问，在见过的频率上用题号提问；CCA 与固定频谱匹配都不经训练，在同样的时间窗上评分。

### 结果

用 CCA 自身参考信号的频谱提问（频率本身及其二次与三次谐波上的正弦与余弦），分类头在没训练过的频率上达到 39.00%（36.07%–41.78%）。数值编码为 41.46%，CCA 为 80.90%。与数值编码配对相比，参考谱相差 −2.46 pp（−3.47 至 −1.52）。在见过频率的 32 类任务上，它的平衡准确率为 31.48%，题号为 32.06%：配对差为 −0.57 pp（−1.06 至 −0.05），在 ±2 pp 的界值内等效，同时也是一个低于零的小差值。

在冻结的 CBraMod 特征上，参考谱在没见过的频率上同样低于数值编码（−2.35 pp，−3.16 至 −1.57）。在见过的频率上，它落在界值之内，差值方向未定（+0.44 pp，−0.01 至 +0.92）。这种问法同时改变了谐波、查询的形状与大小以及分类头的大小，所以这一结果描述的是整套做法。

参考谱与各对照的比较：每种特征上四项预先设定的对比，单位为百分点。

| 对比 | 任务 | 角色 | 差值，95% 区间 | 解读 |
| --- | --- | --- | --- | --- |
| 普通频谱 · 主要 |  |  |  |  |
| 参考谱 − 数值编码 | 留出频率 | 主要 | −2.46 pp (−3.47 至 −1.52) | 低于零；只看差异 |
| 参考谱 − 题号 | 见过的频率（平衡） | 主要 | −0.57 pp (−1.06 至 −0.05) | 低于零；在 ±2 pp 内等效 |
| 参考谱 − CCA（无需训练） | 留出频率 | 主要 | −41.90 pp (−44.98 至 −38.80) | 低于零；未达到相对 CCA 的非劣界值（−2 pp） |
| 参考谱：留出 − m8 | 留出频率对 m8 | 主要 | −18.18 pp (−19.64 至 −16.69) | 低于零；代价不在零的 ±2 pp 以内 |
| 冻结的 CBraMod 特征 · 次要 |  |  |  |  |
| 参考谱 − 数值编码 | 留出频率 | 次要 | −2.35 pp (−3.16 至 −1.57) | 低于零；只看差异 |
| 参考谱 − 题号 | 见过的频率（平衡） | 次要 | +0.44 pp (−0.01 至 +0.92) | 方向未定；在 ±2 pp 内等效 |
| 参考谱 − CCA（无需训练） | 留出频率 | 次要 | −61.83 pp (−65.45 至 −58.07) | 低于零；未达到相对 CCA 的非劣界值（−2 pp） |
| 参考谱：留出 − m8 | 留出频率对 m8 | 次要 | −27.50 pp (−30.08 至 −24.93) | 低于零；代价不在零的 ±2 pp 以内 |

95% 区间来自对被试与各折共享的种子编号所做的 2,000 次分层配对 bootstrap 抽样（种子 20261007）。普通频谱上四项主要对比、冻结的 CBraMod 特征上四项次要对比，均未做多重比较校正。用同一参考做固定频谱匹配、不经训练，在没见过的频率上达到 28.84%。它的分数不随频率轮换而变，因此泛化代价按构造为零，CCA 也是如此。

卡片 1 的全部水平：留出、m8、代价、见过的频率，以及两项读出

各水平及其 95% 区间。标注“第三条路线”的行是第三条路线本身的运行结果，原样沿用。题号只为见过的频率而设，因此它的留出各格无定义。CCA 读取原始的多通道时间窗，保留了普通频谱舍弃的时序与相位，它是两种特征共同的对照。

| 实验组 | 留出频率 | m8 | 代价（留出 − m8） | 见过的频率（平衡） | nn8 | u3 |
| --- | --- | --- | --- | --- | --- | --- |
| 普通频谱 · FiLM 分类头 · 主要 |  |  |  |  |  |  |
| 参考谱 | 39.00% (36.07%–41.78%) | 57.18% (53.38%–60.95%) | −18.18 pp (−19.64 至 −16.69) | 31.48% (28.28%–34.62%) | 43.41% (40.04%–46.58%) | 19.61% (18.53%–20.63%) |
| 数值编码 — 取自第三条路线 | 41.46% (38.15%–44.68%) | 53.76% (49.87%–57.49%) | −12.30 pp (−13.42 至 −11.17) | 23.67% (21.22%–26.09%) | 40.96% (37.65%–44.13%) | 20.57% (19.33%–21.78%) |
| 题号 — 取自第三条路线 | 无定义 | 58.58% (54.75%–62.33%) | 无定义 | 32.06% (28.79%–35.19%) | 44.32% (40.84%–47.57%) | 无定义 |
| 标签模板 — 取自第三条路线 | 28.69% (26.95%–30.55%) | 53.13% (49.57%–56.66%) | −24.44 pp (−26.44 至 −22.26) | 26.10% (23.49%–28.59%) | 39.67% (36.78%–42.47%) | 19.33% (18.23%–20.47%) |
| 冻结的 CBraMod 特征 · FiLM 分类头 · 次要 |  |  |  |  |  |  |
| 参考谱 | 19.07% (18.06%–20.22%) | 46.57% (43.37%–49.75%) | −27.50 pp (−30.08 至 −24.93) | 24.68% (22.02%–27.43%) | 19.40% (18.35%–20.52%) | 24.49% (23.34%–25.69%) |
| 数值编码 — 取自第三条路线 | 21.42% (20.16%–22.62%) | 37.58% (35.01%–40.17%) | −16.16 pp (−17.88 至 −14.47) | 13.86% (12.52%–15.22%) | 21.46% (20.20%–22.67%) | 11.42% (10.74%–12.12%) |
| 题号 — 取自第三条路线 | 无定义 | 46.08% (43.04%–49.16%) | 无定义 | 24.24% (21.61%–26.92%) | 18.28% (17.30%–19.30%) | 无定义 |
| 标签模板 — 取自第三条路线 | 18.96% (18.02%–19.88%) | 43.23% (40.20%–46.29%) | −24.27 pp (−26.72 至 −21.85) | 20.75% (18.49%–23.09%) | 20.12% (18.98%–21.33%) | 27.03% (25.96%–28.05%) |
| 无需训练 |  |  |  |  |  |  |
| CCA（无需训练） — 取自第三条路线 | 80.90% (76.59%–84.85%) | 80.90% (76.59%–84.85%) | 0.00 pp (按构造) | 65.46% (59.66%–71.08%) | 66.66% (61.33%–71.56%) | 81.70% (78.49%–84.57%) |
| 固定频谱匹配（无需训练） | 28.84% (26.46%–31.49%) | 28.84% (26.46%–31.49%) | 0.00 pp (按构造) | 12.85% (11.18%–14.58%) | 27.35% (25.09%–29.93%) | 31.99% (29.84%–34.08%) |

**局限**：本轮没有运行匹配（双线性）分类头与仅含基频的参考谱；[卡片 2](https://bci.report/zh/topics/new-ssvep-frequencies/#head-and-features) 运行了这两项。

卡片 2 · 分类头、特征与提问方式

## 是分类头、频谱还是提问方式

- 问题: 拖住分类头的是什么：分类头本身、它读取的频谱，还是频率的问法？在见过的频率上，普通的 softmax 会不会更好？
- 改变了什么: 每项对比改变一个指明的部分：分类头（用匹配分类头代替 FiLM 分类头）、特征（用保留相位的复数频谱代替普通频谱）、问法（带刺激相位的参考谱，或去掉二次与三次谐波的参考谱），以及在另一次运行中的输出（不带问题的 softmax，或用 softmax 损失训练第三条路线的分类头）。
- 匹配对照: 未做这一改变的同一组，在相同的被试、折、轮换与种子上配对；卡片 1 的参考谱、数值编码与 CCA 作为水平列在一旁。

### 结果

在同样的频谱上，普通的 32 类 softmax 在见过频率上的平衡准确率为 35.90%（32.30%–39.32%）。每个问题一个输出的分类头，用同样的 softmax 损失训练，达到 31.45%；像第三条路线那样用一对其余方式训练，则为 32.16%。两者的配对差为 −0.71 pp（−1.01 至 −0.41）：差值很小，低于零，并且在 ±2 pp 的界值之内。

在普通频谱上，用匹配分类头代替 FiLM 分类头，见过频率的平衡准确率在用参考谱提问时变化 −3.60 pp（−4.37 至 −2.73），用题号提问时变化 +2.54 pp（+1.74 至 +3.37）；按协议，分类头的提升要在区间下限高于 +2 pp 时才算有意义，两项的下限都没有达到。用题号提问时，还保留了相位的复数频谱使 FiLM 分类头的见过频率平衡准确率变化 +18.03 pp（+14.13 至 +21.77），达到 50.08%；使匹配分类头变化 +21.53 pp（+17.25 至 +25.63），达到 56.14%。复数频谱还改变了维度、缩放与分类头的大小，所以这些数字描述的是整套特征做法。

在留出频率上，带有各目标刺激相位的问法使复数频谱上 FiLM 分类头的准确率相对幅度问法变化 +16.30 pp（+13.36 至 +19.32），达到 24.97%；匹配分类头变化 +15.95 pp（+13.38 至 +18.45），达到 22.47%。并列来看，两者都低于普通频谱上的参考谱（39.00%）、数值编码（41.46%）与 CCA（80.90%）；匹配分类头与 CCA 的配对差为 −58.43 pp（−62.10 至 −54.83）。

刺激相位取自 BETA 作者的更正说明，换算为余弦约定、零潜伏期；各谐波幅度相等、第 h 次谐波的相位取刺激相位的 h 倍，属于建模假设。它们是屏幕上所显示刺激的相位，问法中不含任何在头皮上测得的相位。

从参考谱中去掉二次与三次谐波，普通频谱上 FiLM 分类头的留出准确率变化 −13.27 pp（−15.04 至 −11.45），降至 25.73%；见过频率的平衡准确率变化 −3.12 pp（−3.65 至 −2.57）。

每项对比改变一个指明的部分；差值单位为百分点。

| 对比 | 任务 | 角色 | 差值，95% 区间 | 解读 |
| --- | --- | --- | --- | --- |
| 分类头 · 普通频谱 |  |  |  |  |
| 匹配分类头 − FiLM 分类头，用参考谱提问 | 见过的频率（平衡） | 主要 | −3.60 pp (−4.37 至 −2.73) | 低于零；未达到有意义的分类头提升（下限高于 +2 pp） |
| 匹配分类头 − FiLM 分类头，用题号提问 | 见过的频率（平衡） | 主要 | +2.54 pp (+1.74 至 +3.37) | 高于零；未达到有意义的分类头提升（下限高于 +2 pp） |
| 特征 · 复数频谱 − 普通频谱 |  |  |  |  |
| FiLM 分类头，用参考谱提问 | 见过的频率（平衡） | 主要 | +15.81 pp (+11.91 至 +19.51) | 高于零 |
| FiLM 分类头，用题号提问 | 见过的频率（平衡） | 主要 | +18.03 pp (+14.13 至 +21.77) | 高于零 |
| 匹配分类头，用参考谱提问 | 见过的频率（平衡） | 主要 | +26.19 pp (+21.85 至 +30.42) | 高于零 |
| 匹配分类头，用题号提问 | 见过的频率（平衡） | 主要 | +21.53 pp (+17.25 至 +25.63) | 高于零 |
| 问法 · 复数频谱 |  |  |  |  |
| FiLM 分类头：带刺激相位的参考谱 − 参考谱 | 留出频率 | 主要 | +16.30 pp (+13.36 至 +19.32) | 高于零 |
| 匹配分类头：带刺激相位的参考谱 − 参考谱 | 留出频率 | 主要 | +15.95 pp (+13.38 至 +18.45) | 高于零 |
| 匹配分类头：带刺激相位的参考谱 − 数值编码 | 留出频率 | 主要 | +12.14 pp (+9.36 至 +14.82) | 高于零 |
| 用带刺激相位的参考谱提问的匹配分类头 − CCA（无需训练） | 留出频率 | 主要 | −58.43 pp (−62.10 至 −54.83) | 低于零；未达到相对 CCA 的非劣界值（−2 pp） |
| 问法 · 普通频谱 |  |  |  |  |
| FiLM 分类头：仅含基频的参考谱 − 参考谱 | 留出频率 | 主要 | −13.27 pp (−15.04 至 −11.45) | 低于零 |
| FiLM 分类头：仅含基频的参考谱 − 参考谱 | 见过的频率（平衡） | 主要 | −3.12 pp (−3.65 至 −2.57) | 低于零 |
| 输出 · softmax 运行，普通频谱 |  |  |  |  |
| 每个问题一个输出：softmax 训练 − 一对其余训练 | 见过的频率（平衡） | 主要 | −0.71 pp (−1.01 至 −0.41) | 低于零；在 ±2 pp 内等效 |
| 每个问题一个输出、softmax 训练 − 普通的 32 类 softmax | 见过的频率（平衡） | 次要 | −4.45 pp (−5.12 至 −3.79) | 低于零；未在 ±2 pp 内等效 |

95% 区间来自对被试与各折共享的种子编号所做的 2,000 次分层配对 bootstrap 抽样（种子 20261007）。主运行中十二项预先设定的对比均为主要对比，softmax 运行中一项主要、一项次要，均未做多重比较校正。

卡片 2 的全部水平：留出、m8、代价、见过的频率，以及两项读出

各水平及其 95% 区间。标注“卡片 1”或“第三条路线”的行是那些运行的结果，原样沿用。题号与 softmax 只适用于见过的频率，因此它们的留出各格无定义。在复数频谱上，u3 还涉及刺激相位，因为相邻目标的相位不同。

| 实验组 | 留出频率 | m8 | 代价（留出 − m8） | 见过的频率（平衡） | nn8 | u3 |
| --- | --- | --- | --- | --- | --- | --- |
| 普通频谱 · FiLM 分类头 |  |  |  |  |  |  |
| 参考谱 — 取自卡片 1 | 39.00% (36.07%–41.78%) | 57.18% (53.38%–60.95%) | −18.18 pp (−19.64 至 −16.69) | 31.48% (28.28%–34.62%) | 43.41% (40.04%–46.58%) | 19.61% (18.53%–20.63%) |
| 仅含基频的参考谱 | 25.73% (24.20%–27.24%) | 54.47% (50.84%–58.00%) | −28.74 pp (−31.17 至 −26.16) | 28.36% (25.49%–31.13%) | 41.67% (38.48%–44.70%) | 18.37% (17.26%–19.47%) |
| 题号 — 取自第三条路线 | 无定义 | 58.58% (54.75%–62.33%) | 无定义 | 32.06% (28.79%–35.19%) | 44.32% (40.84%–47.57%) | 无定义 |
| 数值编码 — 取自第三条路线 | 41.46% (38.15%–44.68%) | 53.76% (49.87%–57.49%) | −12.30 pp (−13.42 至 −11.17) | 23.67% (21.22%–26.09%) | 40.96% (37.65%–44.13%) | 20.57% (19.33%–21.78%) |
| 标签模板 — 取自第三条路线 | 28.69% (26.95%–30.55%) | 53.13% (49.57%–56.66%) | −24.44 pp (−26.44 至 −22.26) | 26.10% (23.49%–28.59%) | 39.67% (36.78%–42.47%) | 19.33% (18.23%–20.47%) |
| 普通频谱 · 匹配分类头 |  |  |  |  |  |  |
| 参考谱 | 33.40% (31.10%–35.56%) | 51.86% (48.52%–55.13%) | −18.46 pp (−20.22 至 −16.71) | 27.88% (25.04%–30.64%) | 40.36% (37.51%–43.27%) | 25.20% (24.27%–26.07%) |
| 题号 | 无定义 | 58.75% (55.03%–62.37%) | 无定义 | 34.60% (31.15%–37.91%) | 46.10% (42.76%–49.44%) | 无定义 |
| 数值编码 | 41.22% (37.84%–44.45%) | 53.98% (50.22%–57.55%) | −12.76 pp (−13.81 至 −11.72) | 26.08% (23.40%–28.82%) | 40.99% (37.77%–44.03%) | 27.99% (26.30%–29.52%) |
| 复数频谱 · FiLM 分类头 |  |  |  |  |  |  |
| 参考谱 | 8.67% (7.85%–9.61%) | 65.56% (61.57%–69.44%) | −56.89 pp (−61.14 至 −52.56) | 47.29% (42.73%–51.92%) | 8.56% (7.66%–9.53%) | 25.46% (24.22%–26.73%) |
| 带刺激相位的参考谱 | 24.97% (22.60%–27.44%) | 66.96% (63.01%–70.83%) | −41.98 pp (−45.04 至 −38.93) | 49.24% (44.54%–53.97%) | 7.44% (6.63%–8.26%) | 69.66% (65.97%–73.21%) |
| 题号 | 无定义 | 67.95% (63.95%–71.82%) | 无定义 | 50.08% (45.34%–54.78%) | 7.40% (6.58%–8.35%) | 无定义 |
| 数值编码 | 13.13% (12.14%–14.17%) | 50.71% (47.16%–54.37%) | −37.57 pp (−41.13 至 −33.99) | 24.52% (22.01%–27.12%) | 13.41% (12.44%–14.41%) | 7.16% (6.63%–7.79%) |
| 复数频谱 · 匹配分类头 |  |  |  |  |  |  |
| 参考谱 | 6.52% (5.76%–7.34%) | 70.16% (66.13%–74.16%) | −63.64 pp (−68.11 至 −59.06) | 54.07% (49.11%–59.13%) | 6.69% (5.88%–7.54%) | 23.99% (23.12%–24.83%) |
| 带刺激相位的参考谱 | 22.47% (20.46%–24.45%) | 70.00% (65.87%–74.03%) | −47.53 pp (−50.87 至 −44.28) | 54.16% (49.25%–59.24%) | 6.75% (5.93%–7.58%) | 60.73% (58.00%–63.39%) |
| 题号 | 无定义 | 71.50% (67.56%–75.33%) | 无定义 | 56.14% (51.31%–61.08%) | 6.78% (5.90%–7.69%) | 无定义 |
| 数值编码 | 10.33% (9.39%–11.36%) | 50.03% (46.53%–53.66%) | −39.70 pp (−43.47 至 −36.12) | 25.22% (22.72%–27.86%) | 10.68% (9.68%–11.79%) | 10.76% (9.85%–11.71%) |
| 普通频谱 · 不带问题，softmax 运行 |  |  |  |  |  |  |
| 普通的 32 类 softmax | 无定义 | — | — | 35.90% (32.30%–39.32%) | — | — |
| 每个问题一个输出，softmax 训练 | 无定义 | — | — | 31.45% (28.28%–34.49%) | — | — |
| 每个问题一个输出，一对其余训练 — 取自第三条路线 | 无定义 | — | — | 32.16% (28.93%–35.29%) | — | — |
| 无需训练 |  |  |  |  |  |  |
| CCA（无需训练） — 取自第三条路线 | 80.90% (76.59%–84.85%) | 80.90% (76.59%–84.85%) | 0.00 pp (按构造) | 65.46% (59.66%–71.08%) | 66.66% (61.33%–71.56%) | 81.70% (78.49%–84.57%) |

**局限**：每一组都是一套固定的做法。匹配分类头是一种双线性设计；softmax 运行则一次改变了整个训练目标，或同时改变了结构中的几个部分。这些对比比较的是这些做法本身；普通频谱究竟含有多少频率信息，仍是开放的问题。两次运行都是在已知第三条路线结果的情况下设计的。

卡片 3 · 刺激相位

## 带相位查询下的随机延迟

只在训练时，给每个时间窗的复数频谱加一个所有通道共用的随机延迟，延迟取自 0–125 ms，或取自 0 到训练标签频率的一个周期。分类头是复数频谱上的 FiLM 分类头，以带刺激相位的参考谱作查询，即带相位的查询（526,465 个参数，从零开始训练）；查询和测试时间窗都不变。在留出频率上，0–125 ms 组达到 12.51%（11.93%–13.13%），一个周期组达到 13.13%（12.61%–13.68%）。同一分类头不加延迟时为 24.97%（22.60%–27.44%）。主要对比，0–125 ms 减去不加延迟：−12.46 pp（−14.84 至 −10.25）。见过频率上的平衡准确率从 49.24% 降到 15.70% 和 15.28%。

卡片 3 的四个组：准确率及其 95% 区间。

| 组 | 分类头 · 特征 · 查询 | 留出频率 | 见过的频率（平衡） |
| --- | --- | --- | --- |
| 0–125 ms 延迟 — `COMMON-125MS` | FiLM 分类头 · 复数频谱 · 带刺激相位的参考谱 | 12.51% (11.93%–13.13%) | 15.70% (13.71%–17.88%) |
| 一个周期的延迟 — `COMMON-ONE-PERIOD` | FiLM 分类头 · 复数频谱 · 带刺激相位的参考谱 | 13.13% (12.61%–13.68%) | 15.28% (13.83%–16.69%) |
| 不加延迟（匹配对照） — `L0c-FS-REFc-0` | FiLM 分类头 · 复数频谱 · 带刺激相位的参考谱 | 24.97% (22.60%–27.44%) | 49.24% (44.54%–53.97%) |
| 普通频谱上的幅度参考谱分类头 — `L0-FS-REF` | FiLM 分类头 · 普通频谱 · 参考谱 | 39.00% (36.07%–41.78%) | 31.48% (28.28%–34.62%) |

只有 0–125 ms 减去不加延迟这一项是主要对比，其余都是描述性对比。95% 区间来自对被试与训练种子所做的 2,000 次分层配对 bootstrap 抽样（种子 20261007），以固定的被试折与三个种子为条件；五个固定的频率轮换先取平均。这 6 项对比都没有做多重比较校正。延迟是把已经加窗的系数乘以同一条相位斜坡，近似于起点的平移。一个周期的范围取决于训练标签的频率；0–125 ms 的范围不看标签，只在最低的刺激频率上恰好等于一个周期，所以各目标的相位分布不同。BETA 给每个目标分配各自的刺激相位，相邻频率之间按相同步长递增，所以延迟也去掉了与标签相关的信息。普通频谱上的幅度参考谱分类头（39.00%）在特征、查询和规模上都不同。全部 4 项随机标签检查都通过了（40 次拟合）；仍不能排除借助依赖标签的延迟、只在训练中起作用的捷径。

全部 6 项配对对比

每项对比都是配对差，左项减去右项，单位为百分点。

| 对比 | 任务 | 比较 | 角色 | 估计值 | 95% 区间 |
| --- | --- | --- | --- | --- | --- |
| `P1` | 留出频率 | 0–125 ms 延迟减去不加延迟 | 主要 | −12.46 pp | −14.84 至 −10.25 |
| `S1` | 留出频率 | 一个周期的延迟减去不加延迟 | 描述性 | −11.85 pp | −14.29 至 −9.51 |
| `S2` | 留出频率 | 一个周期的延迟减去普通频谱上的幅度参考谱分类头 | 描述性 | −25.87 pp | −28.64 至 −22.99 |
| `S3` | 留出频率 | 一个周期的延迟减去 0–125 ms 延迟 | 描述性 | +0.62 pp | −0.13 至 +1.40 |
| `S4` | 见过的频率（平衡） | 0–125 ms 延迟减去不加延迟 | 描述性 | −33.54 pp | −37.84 至 −29.45 |
| `S5` | 见过的频率（平衡） | 一个周期的延迟减去不加延迟 | 描述性 | −33.97 pp | −38.12 至 −29.88 |

卡片 4 · 刺激相位

## 幅度查询下的随机相位斜坡

只在训练时，给每个时间窗的复数频谱加一个最长一个刺激周期的随机延迟，以同一条相位斜坡作用于所有通道。查询和测试时间窗都不变。以幅度参考谱作查询时，FiLM 分类头在留出频率上达到 30.56%（27.81%–33.22%）。与普通频谱上同一分类头、同一查询相比，变化为 −8.45 pp（主要对比；−10.14 至 −6.69）；与不加斜坡的复数频谱上同一分类头、同一查询相比（后者为 8.67%），变化为 +21.88 pp（次要对比；+18.78 至 +25.00）。见过频率上的平衡准确率从 47.29% 降到 15.03%。匹配分类头在两项任务上最终都落在随机水平。同一留出任务上，CCA 达到 80.90%。讨论串中的赌注是留出频率准确率会超过 39%；FiLM 分类头以幅度参考谱作查询达到 30.56%，以数值编码作查询为 28.10%。

卡片 4 的各组：准确率及其 95% 区间。短横表示没有定义的分数：题号无法询问留出的频率。

| 分类头 · 查询 | 留出频率 | m8（匹配对照） | 见过的频率（平衡） |
| --- | --- | --- | --- |
| 复数频谱，训练时加相位斜坡 |  |  |  |
| FiLM 分类头 · 参考谱 — `FS-REF` | 30.56% (27.81%–33.22%) | 42.86% (39.29%–46.25%) | 15.03% (13.50%–16.51%) |
| FiLM 分类头 · 数值编码 — `FS-NUM` | 28.10% (25.48%–30.58%) | 35.35% (32.14%–38.39%) | 10.92% (9.72%–12.11%) |
| FiLM 分类头 · 题号 — `FS-ID` | — | 14.03% (13.62%–14.47%) | 3.70% (3.49%–3.90%) |
| 匹配分类头 · 参考谱 — `MATCH-REF` | 12.93% (12.31%–13.51%) | 12.33% (11.98%–12.65%) | 3.13% (2.95%–3.30%) |
| 匹配分类头 · 数值编码 — `MATCH-NUM` | 12.42% (11.87%–12.99%) | 12.37% (11.92%–12.83%) | 3.03% (2.81%–3.22%) |
| 匹配分类头 · 题号 — `MATCH-ID` | — | 12.01% (11.38%–12.65%) | 3.15% (2.89%–3.42%) |
| 复数频谱，不加斜坡（匹配对照） |  |  |  |
| FiLM 分类头 · 参考谱 — `L0c-FS-REF` | 8.67% (7.85%–9.61%) | 65.56% (61.57%–69.44%) | 47.29% (42.73%–51.92%) |
| FiLM 分类头 · 数值编码 — `L0c-FS-NUM` | 13.13% (12.14%–14.17%) | 50.71% (47.16%–54.37%) | 24.52% (22.01%–27.12%) |
| FiLM 分类头 · 题号 — `L0c-FS-ID` | — | 67.95% (63.95%–71.82%) | 50.08% (45.34%–54.78%) |
| 匹配分类头 · 参考谱 — `L0c-MATCH-REF` | 6.52% (5.76%–7.34%) | 70.16% (66.13%–74.16%) | 54.07% (49.11%–59.13%) |
| 匹配分类头 · 数值编码 — `L0c-MATCH-NUM` | 10.33% (9.39%–11.36%) | 50.03% (46.53%–53.66%) | 25.22% (22.72%–27.86%) |
| 匹配分类头 · 题号 — `L0c-MATCH-ID` | — | 71.50% (67.56%–75.33%) | 56.14% (51.31%–61.08%) |
| 普通频谱，不加斜坡 |  |  |  |
| FiLM 分类头 · 参考谱 — `L0-FS-REF` | 39.00% (36.07%–41.78%) | 57.18% (53.38%–60.95%) | 31.48% (28.28%–34.62%) |
| FiLM 分类头 · 数值编码 — `L0-FS-NUM` | 41.46% (38.15%–44.68%) | 53.76% (49.87%–57.49%) | 23.67% (21.22%–26.09%) |
| 无需训练 |  |  |  |
| CCA（无需训练） — `CCA` | 80.90% (76.59%–84.85%) | 80.90% (76.59%–84.85%) | 65.46% (59.66%–71.08%) |

这 13 项对比中，六项为主要对比（P1–P6），七项为次要对比（S1–S7）；都没有做多重比较校正。95% 区间来自对被试与训练种子所做的 2,000 次分层配对 bootstrap 抽样（种子 20261007），以固定的被试折与三个种子为条件；五个固定的频率轮换先取平均。CCA 无需训练，只有单一的种子维度；它唯一的对比是 S7（−67.97 pp）。留出分数在 8 个候选中选择，见过频率的分数在 32 个候选中选择，两者是不同的任务；留出分数的匹配对照是 m8，以幅度参考谱作查询的 FiLM 分类头在 m8 上达到 42.86%。与普通频谱的对比（P1、P2、S3、S4）比较的除了斜坡，还有两种特征配方：复数频谱与普通频谱在归一化、维度和容量上都不同。延迟范围取决于每个时间窗的训练标签。FiLM 分类头与匹配分类头的初始分数不同，所以分类头之间的比较没有对齐初始化。BETA 给每个目标分配各自的刺激相位，所以相位本身携带真实的标签信息。相位斜坡作用于已经加窗的系数，保留幅度和通道间的相位，各谐波的相位一起转动，近似于一次时间平移。全部 10 项随机标签检查都通过了（120 次拟合）；仍不能排除借助依赖标签的延迟、只在训练中起作用的捷径。

全部 13 项配对对比

每项对比都是配对差，单位为百分点：代码下方的单元（训练时加斜坡）减去“比较”一栏中的组；除非另行注明，两者的分类头与查询相同。不加斜坡指训练时不加相位斜坡的复数频谱；普通频谱不加斜坡。

| 对比 | 任务 | 比较 | 角色 | 估计值 | 95% 区间 |
| --- | --- | --- | --- | --- | --- |
| `P1` — FiLM 分类头 · 参考谱 | 留出频率 | 加斜坡减去普通频谱 | 主要 | −8.45 pp | −10.14 至 −6.69 |
| `P2` — 匹配分类头 · 参考谱 | 留出频率 | 加斜坡减去普通频谱（FiLM 分类头 · 参考谱） | 主要 | −26.07 pp | −28.84 至 −23.19 |
| `P3` — FiLM 分类头 · 题号 | 见过的频率（平衡） | 加斜坡减去不加斜坡 | 主要 | −46.38 pp | −51.06 至 −41.71 |
| `P4` — 匹配分类头 · 题号 | 见过的频率（平衡） | 加斜坡减去不加斜坡 | 主要 | −52.98 pp | −57.96 至 −48.11 |
| `P5` — FiLM 分类头 · 数值编码 | 留出频率 | 加斜坡减去不加斜坡 | 主要 | +14.96 pp | +12.10 至 +17.63 |
| `P6` — 匹配分类头 · 数值编码 | 留出频率 | 加斜坡减去不加斜坡 | 主要 | +2.09 pp | +0.88 至 +3.29 |
| `S1` — FiLM 分类头 · 参考谱 | 见过的频率（平衡） | 加斜坡减去不加斜坡 | 次要 | −32.26 pp | −36.12 至 −28.45 |
| `S2` — 匹配分类头 · 参考谱 | 见过的频率（平衡） | 加斜坡减去不加斜坡 | 次要 | −50.94 pp | −56.07 至 −45.96 |
| `S3` — FiLM 分类头 · 数值编码 | 留出频率 | 加斜坡减去普通频谱 | 次要 | −13.37 pp | −15.60 至 −11.30 |
| `S4` — 匹配分类头 · 数值编码 | 留出频率 | 加斜坡减去普通频谱（FiLM 分类头 · 数值编码） | 次要 | −29.04 pp | −32.22 至 −25.73 |
| `S5` — FiLM 分类头 · 参考谱 | 留出频率 | 加斜坡减去不加斜坡 | 次要 | +21.88 pp | +18.78 至 +25.00 |
| `S6` — 匹配分类头 · 参考谱 | 留出频率 | 加斜坡减去不加斜坡 | 次要 | +6.41 pp | +5.40 至 +7.34 |
| `S7` — 匹配分类头 · 参考谱 | 留出频率 | 加斜坡减去 CCA（无需训练） | 次要 | −67.97 pp | −72.07 至 −63.76 |

描述性读出：泛化代价、nn8 与 u3

描述性读出及其 95% 区间，定义见“方法与局限”。短横表示没有定义的分数。

| 分类头 · 查询 | 泛化代价 | nn8 | u3 |
| --- | --- | --- | --- |
| 复数频谱，训练时加相位斜坡 |  |  |  |
| FiLM 分类头 · 参考谱 — `FS-REF` | −12.30 pp (−13.71 至 −10.95) | 31.62% (28.79%–34.41%) | 25.09% (24.07%–26.22%) |
| FiLM 分类头 · 数值编码 — `FS-NUM` | −7.25 pp (−8.62 至 −5.97) | 28.42% (25.75%–30.96%) | 14.37% (13.62%–15.17%) |
| FiLM 分类头 · 题号 — `FS-ID` | — | 13.74% (13.13%–14.36%) | — |
| 匹配分类头 · 参考谱 — `MATCH-REF` | +0.61 pp (−0.11 至 +1.32) | 13.05% (12.49%–13.59%) | 24.20% (23.51%–24.92%) |
| 匹配分类头 · 数值编码 — `MATCH-NUM` | +0.05 pp (−0.64 至 +0.73) | 12.50% (11.93%–13.10%) | 12.79% (12.28%–13.29%) |
| 匹配分类头 · 题号 — `MATCH-ID` | — | 13.46% (12.76%–14.17%) | — |
| 复数频谱，不加斜坡（匹配对照） |  |  |  |
| FiLM 分类头 · 参考谱 — `L0c-FS-REF` | −56.89 pp (−61.14 至 −52.56) | 8.56% (7.66%–9.53%) | 25.46% (24.22%–26.73%) |
| FiLM 分类头 · 数值编码 — `L0c-FS-NUM` | −37.57 pp (−41.13 至 −33.99) | 13.41% (12.44%–14.41%) | 7.16% (6.63%–7.79%) |
| FiLM 分类头 · 题号 — `L0c-FS-ID` | — | 7.40% (6.58%–8.35%) | — |
| 匹配分类头 · 参考谱 — `L0c-MATCH-REF` | −63.64 pp (−68.11 至 −59.06) | 6.69% (5.88%–7.54%) | 23.99% (23.12%–24.83%) |
| 匹配分类头 · 数值编码 — `L0c-MATCH-NUM` | −39.70 pp (−43.47 至 −36.12) | 10.68% (9.68%–11.79%) | 10.76% (9.85%–11.71%) |
| 匹配分类头 · 题号 — `L0c-MATCH-ID` | — | 6.78% (5.90%–7.69%) | — |
| 普通频谱，不加斜坡 |  |  |  |
| FiLM 分类头 · 参考谱 — `L0-FS-REF` | −18.18 pp (−19.64 至 −16.69) | 43.41% (40.04%–46.58%) | 19.61% (18.53%–20.63%) |
| FiLM 分类头 · 数值编码 — `L0-FS-NUM` | −12.30 pp (−13.42 至 −11.17) | 40.96% (37.65%–44.13%) | 20.57% (19.33%–21.78%) |
| 无需训练 |  |  |  |
| CCA（无需训练） — `CCA` | 0.00 pp | 66.66% (61.33%–71.56%) | 81.70% (78.49%–84.57%) |

匹配分类头的泛化代价接近零，是因为它的留出分数和 m8 都落在随机水平。

卡片 5 · 匹配计算

## CCA 的领先从哪里来

CCA 不经训练、直接读取原始时间窗。它领先于学习型分类头，靠的是这一计算中的哪些部分？

在相同的划分下，原始两秒时间窗上的 CCA 在留出频率上达到 80.90%（76.80%–85.13%，被试 bootstrap）。给时间窗加 Hann 窗后，它变化了 −7.95 pp（−9.07 至 −6.78），降至 72.96%。无需训练的裁剪谱匹配在留出频率上达到 73.20%（68.62%–78.13%），与 Hann 窗 CCA 相差 +0.24 pp（−0.12 至 +0.64）。它所用的复数谱坐标，正是此前的复数频谱分类头在拟合缩放之前读取的坐标；以带刺激相位的参考谱提问时，这些分类头在[卡片 2](https://bci.report/zh/topics/new-ssvep-frequencies/#head-and-features) 中分别为 24.97%（FiLM 分类头）和 22.47%（匹配分类头），这里只作对照引用，没有与它们做配对对比。该匹配不使用标签，为每个时间窗拟合通道权重与参考权重。

在参考信号张成的子空间内对每个通道的能量取平均，达到 55.21%（49.99%–60.90%）。在源被试上训练的单个岭回归打分器，以每个通道在 3 个谐波上各自的能量占比为输入，达到 57.45%（53.20%–62.14%）：相对该平均为 +2.23 pp（+0.13 至 +4.37），相对 CCA 为 −23.46 pp（−26.64 至 −20.45）。在见过频率的 32 类任务上，它与同一平均相差 −0.82 pp（−2.86 至 +1.18）。

卡片 5（BETA）：七个预先设定的对比，单位为百分点，均附 95% 区间。

| 对比 | 留出频率，8 选 1 | 见过的频率，32 类平衡 | 说明 |
| --- | --- | --- | --- |
| Hann 窗 CCA（中心化） − CCA（无需训练） | −7.95 pp (95% 区间 −9.07 至 −6.78) | −9.98 pp (95% 区间 −11.10 至 −8.84) | — |
| Hann 窗 CCA：未中心化 − 中心化 | 0.00 pp (95% 区间 0.00 至 0.00) | 0.00 pp (95% 区间 0.00 至 0.00) | 定义不同，结果相同。 |
| 裁剪谱匹配（无需训练） − Hann 窗 CCA（未中心化） | +0.24 pp (95% 区间 −0.12 至 +0.64) | +0.19 pp (95% 区间 −0.22 至 +0.64) | 尚无定论：两项任务上的区间都跨过零。 |
| 裁剪谱匹配（无需训练） − 通道能量平均（联合参考子空间） | +17.98 pp (95% 区间 +14.94 至 +21.28) | +19.94 pp (95% 区间 +17.06 至 +23.18) | 这一领先捆绑了三项改变：跨通道混合、拟合参考系数、聚合方式。 |
| 通道能量平均：逐谐波子空间 − 联合参考子空间 | 0.00 pp (95% 区间 0.00 至 0.00) | 0.00 pp (95% 区间 0.00 至 0.00) | 定义不同，结果相同。 |
| 共享岭回归打分器 − 通道能量平均（逐谐波子空间） | +2.23 pp (95% 区间 +0.13 至 +4.37) | −0.82 pp (95% 区间 −2.86 至 +1.18) | 在留出频率上高于平均；在见过的频率上，区间跨过零。 |
| 共享岭回归打分器 − CCA（无需训练） | −23.46 pp (95% 区间 −26.64 至 −20.45) | −30.54 pp (95% 区间 −34.76 至 −26.67) | — |

各打分方法在两项任务上的结果

卡片 5（BETA）：七种打分方法在留出频率与见过的频率上的准确率，附 95% 区间。

| 本页名称 | 导出代码 | 留出频率，8 选 1 | 见过的频率，32 类平衡 |
| --- | --- | --- | --- |
| CCA（无需训练） | `CCA-RAW` | 80.90% (95% 区间 76.80%–85.13%) | 65.46% (95% 区间 59.94%–71.40%) |
| Hann 窗 CCA（中心化） — 无需训练 | `CCA-HANN-C` | 72.96% (95% 区间 68.36%–77.86%) | 55.48% (95% 区间 50.01%–61.63%) |
| Hann 窗 CCA（未中心化） — 无需训练 | `CCA-HANN-U` | 72.96% (95% 区间 68.36%–77.86%) | 55.48% (95% 区间 50.01%–61.63%) |
| 裁剪谱匹配（无需训练） | `SUBSPACE-CROP` | 73.20% (95% 区间 68.62%–78.13%) | 55.67% (95% 区间 50.20%–61.78%) |
| 通道能量平均（联合参考子空间） — 无需训练 | `CHANNEL-JOINT` | 55.21% (95% 区间 49.99%–60.90%) | 35.74% (95% 区间 30.77%–41.13%) |
| 通道能量平均（逐谐波子空间） — 无需训练 | `CHANNEL-HARMONIC` | 55.21% (95% 区间 49.99%–60.90%) | 35.74% (95% 区间 30.77%–41.13%) |
| 共享岭回归打分器 — 在源被试上拟合的岭回归 | `SHARED-RIDGE` | 57.45% (95% 区间 53.20%–62.14%) | 34.92% (95% 区间 30.83%–39.20%) |

每种方法都获得全部 40 个候选频率；“留出”指不参与有监督的拟合。本研究包含 6 种无需训练的打分方法和 35 次岭回归拟合，每项任务上有七个预先设定的对比。95% 百分位区间来自以被试为单位的 2,000 次配对 bootstrap 抽样（种子 20261015）；未做多重比较校正。

在核对的 6 行上，裁剪后的坐标与此前分类头读取的输入一致；分类头拟合的缩放是可逆的，但会改变匹配所用的距离。核对方式：在全部 11,200 个时间窗上重建了 CCA，无需训练的打分方法抽查了 6 行，35 次岭回归拟合全部独立重新拟合。

卡片 6 · 对 CCA 的学习修正

## 在 CCA 之上学习修正

保留 CCA，只让学习的部分修正它的得分，留出频率上的准确率会提高吗？

保留时域 CCA，在其得分上加一个有界的学习修正，在留出频率上达到 86.15%（82.84%–89.35%），CCA 单独为 80.90%：+5.24 pp（+3.91 至 +6.62）。在见过频率的 32 类任务上，它达到 73.19%，CCA 为 65.46%（+7.73 pp，+6.10 至 +9.46）。这个修正只能重新排序 CCA 相关系数彼此相差在 0.2 以内的候选。在全部留出频率的判断中，它把 7.39% 由错改对，把 2.14% 由对改错。给能量分类头加入裁剪谱匹配的六个典型相关系数，即得到适配分类头，在留出频率上带来 +17.51 pp（+15.46 至 +19.70）；这一增益捆绑了多项匹配运算。

候选频率仍为 CCA 提供正弦与余弦参考信号，也提供每个频率的数值编码。这里没有与滤波器组 CCA 和有监督的空间模板做比较。适配分类头与单独 CCA 的比较不是预先计划的对比，没有区间。每个训练组取三个固定训练种子的平均。每项任务上有六个预先设定的对比；95% 百分位区间来自以被试为单位的 2,000 次配对 bootstrap 抽样（种子 20261015），以拟合好的模型与三个固定的训练种子为条件；未做多重比较校正。

全部六组、六个对比与判断的变化

卡片 6（BETA）：六组在留出频率与见过的频率上的准确率，附 95% 区间。

| 本页名称 | 导出代码 | 留出频率，8 选 1 | 见过的频率，32 类平衡 |
| --- | --- | --- | --- |
| 能量分类头 — 在源被试与见过的频率上训练 | `ENERGY-FS` | 63.05% (95% 区间 58.97%–67.50%) | 43.34% (95% 区间 39.09%–47.83%) |
| 适配分类头 — 在源被试与见过的频率上训练 | `ADAPT-FS` | 80.56% (95% 区间 76.98%–84.13%) | 64.06% (95% 区间 59.56%–68.85%) |
| 加学习修正的裁剪谱匹配 — 在源被试与见过的频率上训练 | `CROP-RESIDUAL` | 79.24% (95% 区间 75.24%–83.37%) | 63.35% (95% 区间 58.39%–68.72%) |
| 加学习修正的 CCA — 在源被试与见过的频率上训练 | `RAW-RESIDUAL` | 86.15% (95% 区间 82.84%–89.35%) | 73.19% (95% 区间 68.48%–77.99%) |
| 裁剪谱匹配（无需训练） | `CCA-CROP` | 73.20% (95% 区间 68.62%–78.13%) | 55.67% (95% 区间 50.20%–61.78%) |
| CCA（无需训练） | `CCA-RAW` | 80.90% (95% 区间 76.80%–85.13%) | 65.46% (95% 区间 59.94%–71.40%) |

卡片 6（BETA）：六个预先设定的对比，单位为百分点，均附 95% 区间。

| 对比 | 留出频率，8 选 1 | 见过的频率，32 类平衡 | 说明 |
| --- | --- | --- | --- |
| 适配分类头 − 能量分类头 | +17.51 pp (95% 区间 +15.46 至 +19.70) | +20.72 pp (95% 区间 +18.54 至 +23.01) | — |
| 适配分类头 − 裁剪谱匹配（无需训练） | +7.36 pp (95% 区间 +5.33 至 +9.32) | +8.38 pp (95% 区间 +5.91 至 +10.82) | — |
| 加学习修正的裁剪谱匹配 − 适配分类头 | −1.32 pp (95% 区间 −2.46 至 −0.23) | −0.71 pp (95% 区间 −1.95 至 +0.54) | 在留出频率上，加在裁剪谱匹配上的修正低于适配分类头。 |
| 加学习修正的裁剪谱匹配 − 裁剪谱匹配（无需训练） | +6.04 pp (95% 区间 +4.90 至 +7.17) | +7.67 pp (95% 区间 +6.26 至 +9.13) | — |
| 加学习修正的 CCA − CCA（无需训练） | +5.24 pp (95% 区间 +3.91 至 +6.62) | +7.73 pp (95% 区间 +6.10 至 +9.46) | — |
| 加学习修正的 CCA − 加学习修正的裁剪谱匹配 | +6.91 pp (95% 区间 +5.60 至 +8.16) | +9.84 pp (95% 区间 +8.60 至 +11.04) | 两种修正的起点不同：一个是原始时间窗上的 CCA，一个是裁剪谱匹配。 |

卡片 6（BETA）：修正如何改变 CCA 的判断，以占该任务全部判断的比例表示；先在三个种子上平均，再在五个轮换上平均，最后在 70 名被试上平均。

| 判断的变化 | 留出频率，8 选 1 | 见过的频率，32 类平衡 | 统计的是什么 |
| --- | --- | --- | --- |
| 由错改对 | 7.39% | 10.66% | CCA 单独时选错了频率，加修正后判断正确。 |
| 由对改错 | 2.14% | 2.93% | CCA 单独时选对了频率，加修正后判断错误。 |
| 由错改为另一个错 | 2.59% | 7.63% | 两次判断都错，但选的频率不同。 |
| 未变，正确 | 78.76% | 62.53% | 两者都选对了频率。 |
| 未变，错误 | 9.12% | 16.25% | 两者选了同一个错误频率。 |
| 共改变 | 12.12% | 21.22% | 前三行之和。 |

CCA 中最大的两个相关系数相差超过 0.2 的判断，改变了 0 次；这样的预测实例在留出频率上有 11,403 个，在见过的频率上有 6,012 个（在 3 个种子与 5 个轮换上合计）。

卡片 7 · 第二个数据集

## 同一修正用于 Wearable-102

原样用于第二个数据集时，学习修正还会改变 CCA 的得分吗？

Wearable-102：102 名被试，12 个目标（9.25 至 14.75 Hz），每种电极 12,240 个两秒时间窗，干电极与湿电极头带，记录按原样存储；105 个未改动的 BETA 模型。数据集文档无法排除部分被试也出现在 BETA 中。

[卡片 6](https://bci.report/zh/topics/new-ssvep-frequencies/#cca-correction) 的 105 个模型（7 个被试折 × 5 个频率轮换 × 3 个种子）在 BETA 上训练，原样用于 Wearable-102。在相同的时间窗上，模型平均为干电极 65.45%、湿电极 81.04%，匹配 CCA 为 65.38% 和 81.65%。与匹配 CCA 配对比较，模型使干电极的得分变化 +0.07 pp（−0.71 至 +0.91），湿电极变化 −0.61 pp（−1.48 至 +0.23）；两个区间都包含零，也没有设定等效界值。模型的得分是 CCA 加一个有界的学习项，因此相对匹配 CCA 的变化就是学习项带来的部分。

卡片 7：在 Wearable-102 的 12 个目标之间选择的准确率，按电极类型列出，附 95% 区间。

| Wearable-102 电极类型 | 加学习修正的 CCA | 匹配 CCA | 相对匹配 CCA 的变化 | 裁剪谱检查（Wearable-102），仅作诊断 |
| --- | --- | --- | --- | --- |
| Wearable-102，干电极 — 主要对比 · 12,240 个时间窗 | 65.45% (95% 区间 60.82%–70.08%) | 65.38% (95% 区间 60.73%–70.06%) | +0.07 pp (95% 区间 −0.71 至 +0.91) | 57.78% (95% 区间 52.79%–62.89%) |
| Wearable-102，湿电极 — 主要对比 · 12,240 个时间窗 | 81.04% (95% 区间 77.14%–84.49%) | 81.65% (95% 区间 77.60%–85.14%) | −0.61 pp (95% 区间 −1.48 至 +0.23) | 73.01% (95% 区间 68.46%–77.18%) |
| Wearable-102，两种电极合并 — 次要对比 · 24,480 个时间窗 | 73.24% (95% 区间 69.40%–76.88%) | 73.51% (95% 区间 69.71%–77.22%) | −0.27 pp (95% 区间 −0.95 至 +0.40) | 65.40% (95% 区间 60.94%–69.69%) |

此处的匹配 CCA 与模型内部的 CCA 项相同，使用到三次谐波的正弦和余弦参考信号，干电极为 65.38%、湿电极为 81.65%；[「干电极与湿电极」页面](https://bci.report/zh/topics/dry-vs-wet/)的 CCA 在相同窗口上使用到四次谐波的参考信号，为 65.47% 和 81.56%。

裁剪谱检查（Wearable-102）的干电极为 57.78%、湿电极为 73.01%；它只作为诊断列出。

**局限：**Wearable-102 存储的幅值单位没有文档说明，而修正项读取的是幅度谱，所以这些数字都基于原样存储的记录。它的时间窗从刺激开始后 0.14 s 起，BETA 的时间窗从刺激开始时起；硬件、参考电极、被试和频率网格也同时改变，因此无法分离出单一因素。两种方法都获得这 12 个候选频率。每名被试的准确率对 105 个模型分别计算，先在模型上平均，再在被试上平均；没有集成、重新拟合或模型挑选。这一任务基于另一批记录，与卡片 1 至 6 的 BETA 结果分开看待。

干电极与湿电极为两个主要对比，两种电极合并为次要对比。95% 百分位区间来自以被试为单位的 2,000 次配对 bootstrap 抽样（种子 20261015），以固定的 105 个源模型为条件；未做多重比较校正。

卡片 8 · 进行中

## 互谱矩阵上的共享打分器

讨论串中的下一项：用一组共享的学习权重给每个候选频率在基频及两个谐波上的通道×通道矩阵打分，不设逐频率参数，即在互谱特征上固定的学习线性读出，并按规定做逐试次归一化或白化。设计已冻结，正在运行；结果经审核后加入本页。

方法与局限

## 方法与局限

### 定义

- **普通频谱（L0）**：八个通道各自的对数幅度谱，按通道分开保留：保留通道身份，舍弃相位。
- **复数频谱（L0c）**：每个通道在 Hann 窗下的复数傅里叶系数，包括实部与虚部，因而保留相位。它与普通频谱在归一化、维度以及读取它的分类头的容量上也不同。
- **冻结的 CBraMod 特征（L1）**：第三条路线所用的冻结 CBraMod 编码器的特征；这里没有训练编码器的任何权重。
- **m8**：同样的八个频率和时间窗，在这些频率参与训练的另外四个轮换中，于八个候选之间评分：它是留出分数的匹配对照。
- **泛化代价**：同一组的留出准确率减去 m8。对无需训练的打分方法，按构造为零。
- **nn8**：近邻读出。对每个留出频率，把该组对两侧相邻的见过频率的分数取平均（网格边缘只有一个近邻），再在八个留出候选之间选择。它由近邻插值得到，与直接的留出分数并列。
- **u3**：局部诊断。对真实频率被留出的时间窗，让该频率的分数与其相邻的见过频率竞争（网格边缘为两个候选）。它用真实目标来选定候选，因此衡量的是局部的频率分辨；在冻结的 CBraMod 特征上，它还涉及刺激相位。
- **并列**：候选频率按升序排列；分数完全相同时，选频率最低的一个。

### 各卡片的区间

- **卡片 1 与 2**：95% 区间来自对被试与各折共享的种子编号所做的 2,000 次分层配对 bootstrap 抽样（种子 20261007）。
- **卡片 3 与 4**：95% 区间来自对被试与训练种子所做的 2,000 次分层配对 bootstrap 抽样（种子 20261007），以固定的被试折与三个种子为条件；五个固定的频率轮换先取平均。
- **卡片 5**：95% 百分位区间来自以被试为单位的 2,000 次配对 bootstrap 抽样（种子 20261015）。
- **卡片 6**：95% 百分位区间来自以被试为单位的 2,000 次配对 bootstrap 抽样（种子 20261015），以拟合好的模型与三个固定的训练种子为条件。
- **卡片 7**：95% 百分位区间来自以被试为单位的 2,000 次配对 bootstrap 抽样（种子 20261015），以固定的 105 个源模型为条件。

没有任何区间做多重比较校正。差值为配对差，在舍入前计算，因此印出的差值可能与印出水平之差在最后一位上不同。

### 两项工程说明

卡片 2 通过一个经过审查的兼容读取器，为此前的题号与数值编码运行评分，因为那些文件缺少列出其问题的字段。softmax 运行的冻结前检查改为对文件内容计算哈希。两项改动都没有涉及训练、预测或结果。

### 没有运行的部分

- **卡片 1**：把合成的参考波形送入 CBraMod；匹配（双线性）分类头（卡片 2 中已运行）；仅含基频的参考谱（卡片 2 中已运行）；超参数搜索；在新数据集上的独立重复。
- **卡片 3**：每个通道各自独立延迟的机制对照；以数值编码作查询时的同样延迟（卡片 4 中已运行）；匹配分类头（卡片 4 中已运行）；在延迟后的起点重新截取原始时间窗；测试时的延迟增强；来自 CCA 的特征，或对 CCA 的学习修正（卡片 6 中已运行）；迁移到新数据集。
- **卡片 4**：延迟与标签无关的额外匹配分类头组；用同样延迟训练、不带查询的 softmax；测试时检查分数随相位斜坡变化多少的诊断；在延迟后的起点重新截取原始时间窗；其他数据集或模型；学习率或延迟范围的扫描。
- **卡片 5**：与此前复数频谱分类头的配对对比。
- **卡片 6**：滤波器组 CCA；有监督的空间模板；去掉主干或查询的消融；在 CCA 特征上更简单的学习型分类头。
- **卡片 7**：等效界值；逐一改变单个因素：单位、时间窗起点、硬件、被试或频率网格；在目标数据上适配或重新训练。

### 这里不发布的内容

- 任何逐人、逐折、逐轮换、逐种子、逐时间窗或逐频率的数值，以及预测、分数、特征、拟合好的分类头和封存的运行文件：只发布队列层面的水平、配对对比及其区间、决策转变比例与检查计数。
- 交接文档、协议、冻结记录、回执与审查，以及卡片 3 的正式分数文件：每一份都在发布清单中以 SHA-256 固定，并由导出流程核对；其中几份含有私有存储路径。
- 评论者的名字。
- 互谱这一轮：冻结时仍在进行；它的状态卡没有数字，结果将作为单独的文件和发布推出。
- 实测的计算量：运行时间、内存与进程标识。
- 卡片 6 各随机种子的准确率，以及加学习修正的裁剪谱匹配的决策转变；Wearable-102 上相对裁剪谱检查的对比。

### 署名、许可与知情同意

### BETA

Bingchuan Liu et al. · BETA: A Large Benchmark Database Toward SSVEP-BCI Application (2020), doi:10.3389/fnins.2020.00627.

卡片 1 至 6，以及卡片 7 在 Wearable-102 上运行的模型的来源。

须署名。被试知情同意所描述的用途是非商业科学研究，这一使用边界比版权许可更窄；未成年被试须征得监护人同意。

只发布队列层面的聚合结果；不发布被试记录、EEG 信号或单个预测。

[来源 ↗](https://figshare.com/articles/dataset/The_BETA_database/12264401) · [CC BY 4.0](https://creativecommons.org/licenses/by/4.0/)

### BETA 作者的更正说明（Description.pdf）

带刺激相位的参考谱（卡片 2 与 3）所用的刺激相位，换算为余弦约定、零潜伏期。读自 Hugging Face 镜像 Bingchuan/BETA（固定版本 `d4290c02…`）。

[Description.pdf ↗](https://huggingface.co/datasets/Bingchuan/BETA/resolve/d4290c0200db8a104e0f557349dc49f90ba79506/Description.pdf)

### CBraMod

卡片 1 中冻结的 CBraMod 特征（L1），即第三条路线所用的特征。不分发任何权重。

代码：MIT · 权重：Apache-2.0（官方模型卡）Code: MIT · Weights: Apache-2.0 (official model card)

[CBraMod 的页面](https://bci.report/zh/methods/cbramod/) · [代码 ↗](https://github.com/wjq-learning/CBraMod)

### Wearable-102 · 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. Sensors, 21(4), 1256. https://doi.org/10.3390/s21041256

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

论文描述的知情同意范围是非商业科学研究。The paper describes consent for noncommercial scientific research.

基于 2026-09-20 获取的清华 BCI 实验室作者官方镜像快照计算；该镜像本身没有单独的 DOI 或版本号。

[数据集记录 ↗](https://doi.org/10.6084/m9.figshare.13560281.v4) · [Readme ↗](https://bci.med.tsinghua.edu.cn/upload/zhufangkun/Readme.pdf) · [CC BY 4.0](https://creativecommons.org/licenses/by/4.0/)

以上均为 BCI Report 的衍生分析，只发布聚合结果，不再分发任何原始数据。

数据来源： [new-ssvep-frequencies-update.json](https://bci.report/data/new-ssvep-frequencies-update.json) · schema bci-report-new-ssvep-frequencies-update-v1。

## 相关问题

- 第三条路线本身在没见过的频率上的结果，用文字提问的分类头：[EEG 模型能回答用文字提出的问题吗？](https://bci.report/zh/topics/questions-in-language/#unseen-frequency)
- Wearable-102 的干电极与湿电极头带，含 CCA 与训练过的解码器：[干电极的解码效果能和湿电极一样好吗？](https://bci.report/zh/topics/dry-vs-wet/)

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. *解码器靠什么回答没训练过的 SSVEP 频率？*[EB/OL]. (2026-10-20). https://bci.report/zh/topics/new-ssvep-frequencies/

数字来自发布 [`new-ssvep-frequencies-update-20261020`](https://bci.report/zh/releases/#new-ssvep-frequencies-update-20261020)（2026-10-20）。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/new-ssvep-frequencies/ 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）。