# 走路或跑步时，EEG 解码还管用吗？

运动鲁棒性 · 头皮与耳部 EEG

被试一动起来，表现就会下降。

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

测量所用数据集： [Mobile BCI dataset (SSVEP and ERP paradigms)](https://bci.report/zh/datasets/mobile-bci/)、[Phantom EEG with motion, muscle and eye artifacts](https://bci.report/zh/datasets/phantom/)、[Multimodal gait dataset · treadmill walking](https://bci.report/zh/datasets/gait-eeg/) · 方法： [LaBraM](https://bci.report/zh/methods/labram/)、[CBraMod](https://bci.report/zh/methods/cbramod/)、[CCA](https://bci.report/zh/methods/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。

**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%）。

- 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%)

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%) | 70.7% (62.3%–78.6%) | 68.6% (60.1%–76.7%) |
| Spectral ridge — 用另外 22 名被试的站立数据训练 | 78.7% (70.7%–86.1%) | 69.9% (61.2%–78.1%) | 68.6% (60.4%–76.3%) |
| LaBraM — 冻结编码器 + 岭回归，在其他被试上训练 | 59.5% (53.6%–65.5%) | 54.7% (49.5%–60.1%) | 47.8% (43.3%–52.3%) |
| CBraMod — 冻结编码器 + 岭回归，在其他被试上训练 | 59.9% (54.3%–65.4%) | 46.2% (41.1%–51.4%) | 46.0% (42.2%–49.6%) |

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 ridge — 14 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 | 0.859 (0.820–0.897) — n=24 | 0.740 (0.703–0.777) — n=24 | 0.635 (0.602–0.673) — n=24 | 0.586 (0.561–0.613) — n=17 |
| 耳部 · 14 触点 — 站立会话拟合 · 权重不变 | 0.734 (0.694–0.774) — n=24 | 0.628 (0.595–0.661) — n=24 | 0.563 (0.540–0.587) — n=24 | 0.517 (0.491–0.541) — n=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 ↗](https://doi.org/10.18112/openneuro.ds004784.v1.0.4) · [方法论文 ↗](https://doi.org/10.3390/s23198214) · [CC0-1.0](https://creativecommons.org/publicdomain/zero/1.0/)

数据来源： [已审核的聚合 JSON](https://bci.report/data/evidence-update.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%) | 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%) | 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 ↗](https://doi.org/10.13026/r0ea-7161) · [CC-BY-4.0](https://creativecommons.org/licenses/by/4.0/)

数据来源： [已审核的聚合 JSON](https://bci.report/data/context-update.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 ↗](https://nemar.org/dataset/nm000125) · [原始研究 ↗](https://doi.org/10.1038/s41597-021-01094-4)

### 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。

[ERP 数据集 ↗](https://nemar.org/dataset/nm000201) · [原始研究 ↗](https://doi.org/10.1038/s41597-021-01094-4)

数据来源： [已审核的聚合 JSON](https://bci.report/data/deployment-topics.json) · schema bci-report-public-deployment-topics-v1。

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. *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`](https://bci.report/zh/releases/#context-update-20260927)（2026-09-27）、[`evidence-update-20260922`](https://bci.report/zh/releases/#evidence-update-20260922)（2026-09-22）、[`deployment-topics-20260920-v1`](https://bci.report/zh/releases/#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](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/on-the-move/ 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）。