2 秒与 5 秒分开
更长的分析时间窗会改变解码表现。五秒经典方法的结果是一个工作点，不是两秒冻结编码器的对照组。
运动鲁棒性 · 头皮与耳部 EEG
移动中的解码
被试一动起来表现就会下降，但下降多少、意味着什么，取决于任务、时间窗、电极布局和指标。两个移动场景衍生数据集来自同一项原始研究，因此是相关证据，而不是相互独立的重复队列。
匹配的工作点
两秒时间窗，选定八个头皮通道
直接的模型对比把时间窗固定在 [0, 2 秒)，选用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。均匀猜测的随机水平为 33.3%。
| 方法 | 站立 | 慢走 · 0.8 m/s | 快走 · 1.6 m/s |
|---|---|---|---|
| Author-style CCA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%。
这里的「匹配」只在本表内部成立。基础模型各行是固定的冻结编码器适配器，不是最佳微调结果。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
更长的时间窗和不同的电极布局会改变问题本身。这些五秒经典方法结果不与上方两秒基础模型表共享排名。
| 方法 / 模态 | 站立 | 慢走 · 0.8 m/s | 快走 · 1.6 m/s |
|---|---|---|---|
| Author-style CCA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% |
| Author-style CCA14 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，不是平衡准确率。
−0.276 AUC头皮 ROC AUC 变化：从站立到慢跑，同一批 17 名被试
慢跑对比要用配对的共同队列
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，在耳部为 −0.225 AUC。对应的描述性 95% 区间分别为 −0.322 至 −0.227 AUC 和 −0.277 至 −0.175 AUC。
| 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 |
方法与局限
让结论保持诚实的四个区分
运动是共同主题，但各协议回答的是不同的问题。没有任何分数被放进跨任务排行榜。
头皮 8 通道是选出来的
移动 SSVEP 的头皮视图是从 32 个记录通道中选出八个后部通道，而不是「干电极与湿电极」页面上那种原生八通道可穿戴设备。
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，不能直接比较。
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。
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
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。
数据来源： 已审核的聚合 JSON · schema bci-report-public-deployment-topics-v1 · 生成于 2026-09-20。