走路或跑步时，EEG 解码还管用吗？

运动鲁棒性 · 头皮与耳部 EEG

走路或跑步时，EEG 解码还管用吗？

被试一动起来，表现就会下降。

测量所用数据集：Mobile BCI dataset (SSVEP and ERP paradigms)、Phantom EEG with motion, muscle and eye artifacts、Multimodal gait dataset · treadmill walking · 方法：LaBraM、CBraMod、CCA

简答

会变差。同样 23 名被试做三目标、两秒时间窗的 SSVEP 任务（选定八个头皮通道；随机水平为 33.3%），免训练、按原作者设置的 CCA 参考方法在站立时的平衡准确率为 82.3%，慢走时为 70.7%，快走时为 68.6%。在 ERP 任务中，同一批 17 名被试在两种条件下都有数据：在每人第一次站立会话上拟合、之后原样沿用的解码器，从站立到慢跑的头皮 ROC AUC 变化为 −0.276 AUC（配对 95% 区间 −0.322 至 −0.227 AUC）。这两个任务都是同一项原始移动研究的衍生数据。

站立

82.3% (74.6%–89.4%)

慢走 · 0.8 m/s

70.7% (62.3%–78.6%)

快走 · 1.6 m/s

68.6% (60.1%–76.7%)

CCA（按原作者设置）：同样 23 名被试站立与行走时的结果。 三目标、两秒、选定八个头皮通道的 SSVEP 上，免训练参考方法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（33.3%）。

匹配的工作点

两秒时间窗，选定八个头皮通道

四种方法都用 [0, 2 秒) 时间窗和相同的八个后部头皮通道，在三个 SSVEP 刺激目标上评测 23 名被试。

被试平均平衡准确率；每个分数下方是被试 bootstrap 95% 区间。
方法	站立	慢走 · 0.8 m/s	快走 · 1.6 m/s
CCA（按原作者设置）免训练参考	82.3%74.6%–89.4%平衡准确率 82.3%	70.7%62.3%–78.6%平衡准确率 70.7%	68.6%60.1%–76.7%平衡准确率 68.6%
Spectral ridge用另外 22 名被试的站立数据训练	78.7%70.7%–86.1%平衡准确率 78.7%	69.9%61.2%–78.1%平衡准确率 69.9%	68.6%60.4%–76.3%平衡准确率 68.6%
LaBraM冻结编码器 + 岭回归，在其他被试上训练	59.5%53.6%–65.5%平衡准确率 59.5%	54.7%49.5%–60.1%平衡准确率 54.7%	47.8%43.3%–52.3%平衡准确率 47.8%
CBraMod冻结编码器 + 岭回归，在其他被试上训练	59.9%54.3%–65.4%平衡准确率 59.9%	46.2%41.1%–51.4%平衡准确率 46.2%	46.0%42.2%–49.6%平衡准确率 46.0%

条形范围 0–100%；随机水平为 33.3%。

LaBraM 使用经核实的标准通道 ID；CBraMod 使用探索性的、按位置排列的通道顺序。尚未核实这些记录是否出现在预训练数据中。

另一个工作点

五秒时间窗的头皮与耳部对比

这里两种经典方法的时间窗由两秒换成五秒。

被试平均平衡准确率 · 23 名被试 · 3 个目标。头皮从 32 个记录通道中选定 8 个；耳部使用 14 个触点。
方法 / 模态	站立	慢走 · 0.8 m/s	快走 · 1.6 m/s
CCA（按原作者设置）选定 8 个头皮通道 · 5 秒	88.7%80.0%–95.9%	82.9%74.3%–90.4%	80.9%72.0%–88.8%
Spectral ridge选定 8 个头皮通道 · 5 秒	85.0%77.0%–92.0%	79.2%70.1%–87.5%	77.2%67.7%–85.7%
CCA（按原作者设置）14 个耳部触点 · 5 秒	53.1%47.4%–59.6%	43.4%39.6%–47.8%	39.1%36.7%–41.8%
Spectral ridge14 个耳部触点 · 5 秒	52.0%46.9%–57.8%	45.4%40.7%–51.2%	40.0%36.4%–43.7%

ERP 跨会话迁移

移动时 AUC 向随机水平回落

对每位被试的每种模态，分别在第一次站立会话上拟合一个基于时域特征的 L2 正则化逻辑回归，之后原样沿用。终点指标是 ROC AUC。

−0.276 AUC头皮 ROC AUC 变化：从站立到慢跑，同一批 17 名被试

慢跑对比在同一批被试中配对

慢跑条件有 17 名被试，站立与行走条件有 24 名。在同一批 17 名被试中，从站立到慢跑的变化在头皮为 −0.276 AUC（配对 95% 区间 −0.322 至 −0.227 AUC），在耳部为 −0.225 AUC（−0.277 至 −0.175 AUC）。

被试平均 ROC AUC。头皮使用 32 个通道；耳部使用 14 个触点。括号内为被试 bootstrap 95% 区间。
模态	站立	慢走 · 0.8 m/s	快走 · 1.6 m/s	慢跑 · 2.0 m/s
头皮 · 32 通道站立会话拟合 · 权重不变	0.8590.820–0.897n=24	0.7400.703–0.777n=24	0.6350.602–0.673n=24	0.5860.561–0.613n=17
耳部 · 14 触点站立会话拟合 · 权重不变	0.7340.694–0.774n=24	0.6280.595–0.661n=24	0.5630.540–0.587n=24	0.5170.491–0.541n=17

工程对照 · 物理头模

不用真人测量的伪迹

一个导电头模播放 10 个已知的脑源信号，同时每次加入一种伪迹。一个在无伪迹记录上训练的线性解码器，在每种条件的留出时间段上测试。一个头模就是一个实验单元。

两列都不是准确率。相关系数衡量恢复出的源信号是否与真实源同步变化；预测 R² 还会计入幅值，而且没有下限：低于零意味着预测离真实源比一条水平线还远。

先在每折内对 10 个脑源取中位数，再对 5 折取中位数。每种条件留出相同的 60 秒时间段，训练段两侧各剔除 2 秒。只在仅含脑源的记录上训练。
条件	带符号相关系数 r	预测 R²
仅脑源训练条件，留出时间段	0.761各折范围 0.755 至 0.772	0.567各折范围 0.549 至 0.594
眼动伪迹	0.492各折范围 0.432 至 0.569	−33.612各折范围 −75.205 至 −23.971
行走	0.549各折范围 0.542 至 0.577	−795.772各折范围 −935.028 至 −425.205
颈部肌电	0.310各折范围 0.249 至 0.317	−596.820各折范围 −1106.382 至 −281.754
面部肌电	0.143各折范围 0.127 至 0.155	−164.313各折范围 −270.004 至 −110.197
全部伪迹同时出现	0.115各折范围 0.104 至 0.131	−142.832各折范围 −172.296 至 −100.142

Phantom EEG with motion, muscle and eye artifacts

Ryan J. Downey and Daniel P. Ferris · Phantom EEG Dataset with Motion, Muscle, and Eye Artifacts and Example Scripts, OpenNeuro ds004784 v1.0.4, doi:10.18112/openneuro.ds004784.v1.0.4. Method: doi:10.3390/s23198214.

一个导电的物理头模；不涉及任何真人被试。

OpenNeuro 数据集 ↗ · 方法论文 ↗ · CC0-1.0

数据来源：已审核的聚合 JSON · schema bci-report-evidence-update-v1。

跑步机速度 · 干电极

步行速度分数可能在测什么

58 名被试以三种速度在跑步机上行走，同时用干电极头戴设备记录 19 个头皮通道。一个固定分类器根据每段完整的 58 秒记录判断行走速度。另一个分类器只拿到三个与运动相关的干扰特征：幅值、低频功率和工频功率。随机水平为 33.3%。

+5.2 pp干扰特征减频谱频带，同一批 58 名被试（pp 为百分点）

仅凭干扰特征，分数就与频谱频带相当

50.6% 对 45.4%，两者区间重叠（44.3%–56.9% 和 39.1%–51.7%）。没有任何频谱模式也能得到这样的步行速度分数，所以单凭这样一个分数，不能说明解码到了大脑活动。

5 折留出被试的平衡准确率，附被试 bootstrap 95% 区间，以及宏平均 F1。每名被试都贡献了全部三种速度。
输入	平衡准确率	宏平均 F1
相对频谱频带19 个头皮通道各 5 个相对频带	45.4%39.1%–51.7%平衡准确率 45.4%	45.5%
运动干扰特征对照基线 · 3 个特征，没有频谱模式	50.6%44.3%–56.9%平衡准确率 50.6%	48.6%

模型里没有运动传感器

数据源还记录了惯性与肌电信号，但没有用作对照。行走速度的先后顺序没有核实是否做了平衡，所以疲劳、漂移和电极接触都可能随之变化。

评分前排除了 1 名被试

有一个源文件的通道标签格式错误，这名被试的 3 段记录因此被排除；没有重新标注任何通道。

Multimodal gait · EEG during treadmill walking at three speeds

R. Katmah, A. AlShehhi, D. Kosaji, N. Al-Rahmani, M. Abdullah, A. A. V. Hulleck and K. Khalaf · A multimodal gait dataset of brain activity, muscle activity, kinematics and ground forces in young adults, PhysioNet v1.0.0 (2026), doi:10.13026/r0ea-7161.

研究遵循《赫尔辛基宣言》，经 Khalifa 大学机构审查委员会批准（H19-038）；所有被试都签署了书面知情同意。这里只发布队列级聚合结果。

PhysioNet 数据集 ↗ · CC-BY-4.0

数据来源：已审核的聚合 JSON · schema bci-report-context-update-v1。

方法与局限

局限

头皮 8 通道是选出来的

移动 SSVEP 的头皮视图从 32 个记录通道中选出八个后部通道；「干电极与湿电极」页面用的是原生八通道头带。

平衡准确率不同于 AUC

SSVEP 的终点是三分类任务的被试平均平衡准确率；ERP 的终点是被试平均 ROC AUC。两者的数值不在同一个尺度上。

两个衍生数据集出自同一研究

NEMAR nm000125 与 nm000201 是同一项原始移动 BCI 研究的 SSVEP 与 ERP 衍生数据，评估的样本数不同。

Lee2021 – SSVEP paradigm of the Mobile BCI dataset

Lee, Y., Shin, G., Lee, M., & Lee, S. (2026). Lee2021 – SSVEP paradigm of the Mobile BCI dataset (Version v1.0.2) [Data set]. NEMAR. https://doi.org/10.82901/nemar.nm000125

Lee, Y.-E., Shin, G.-H., Lee, M., & Lee, S.-W. (2021). Mobile BCI dataset of scalp- and ear-EEGs with ERP and SSVEP paradigms while standing, walking, and running. Scientific Data, 8, 315. https://doi.org/10.1038/s41597-021-01094-4

NEMAR/MOABB 生成的 BIDS 衍生数据 · CC BY 4.0。

SSVEP 数据集 ↗ · 原始研究 ↗

ERP paradigm of the Mobile BCI dataset

Lee, Y., Shin, G., Lee, M., & Lee, S. (2026). ERP paradigm of the Mobile BCI dataset (Version v1.0.2) [Data set]. NEMAR. https://doi.org/10.82901/nemar.nm000201

NEMAR/MOABB 生成的 BIDS 衍生数据 · CC BY 4.0。

ERP 数据集 ↗ · 原始研究 ↗

数据来源：已审核的聚合 JSON · schema bci-report-public-deployment-topics-v1。

引用本页

BCI Report. 走路或跑步时，EEG 解码还管用吗？[EB/OL]. (2026-09-27). https://bci.report/zh/topics/on-the-move/

数字来自发布 context-update-20260927（2026-09-27）、evidence-update-20260922（2026-09-22）、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。本站及各次发布的 BibTeX → · CITATION.cff ↗（英文）