被试
每种显示设备各记录一次
场景迁移 · 屏幕与 VR 中的 P300
21 名被试分别在电脑屏幕和虚拟现实头显里使用同一套 P300 界面,在一种显示设备上校准、在另一种上测试。
测量所用数据集:Cattan PC/VR P300 dataset、LTRSVP · EEG Signals from an RSVP Task
换设备后的表现高于随机水平。21 名被试各自在电脑屏幕上校准、在 VR 头显里测试,也反过来做一遍;校正刺激出现时刻后,一个简单的逻辑回归在两个方向上平均达到 66.0% 的平衡准确率(95% 区间 61.6%–70.2%;随机水平为 50%)。这个协议没有在被试校准时所用的那种设备上再测一次,因此测不出换设备本身的代价。
区间 61.6%–70.2%;AUROC 0.732。
两个固定基线
区分目标与非目标分段,每 1 个目标对应 5 个非目标,所以准确率会奖励一律回答“非目标”的模型;平衡准确率和 AUROC 不会。主分析时间校正。
| 基线 | 平衡准确率 | AUROC |
|---|---|---|
| 窗口均值逻辑回归 | 66.0%61.6%–70.2%平衡准确率 66.0% | 0.7320.671–0.785 |
| 时空收缩 LDA | 63.6%59.6%–67.7%平衡准确率 63.6% | 0.7130.652–0.771 |
预先设定的敏感性分析
头显和屏幕报告刺激出现时刻的延迟不同。主分析按数据源报告的偏移量平移每个分段——在 512 Hz 下,电脑为 19 个采样点,VR 为 60 个。敏感性分析则把分段留在记录的标记处。
| 基线 | 校正出现时刻(主分析) | 记录标记处 |
|---|---|---|
| 窗口均值逻辑回归 | 66.0%61.6%–70.2% | 63.8%61.0%–66.5% |
| 时空收缩 LDA | 63.6%59.6%–67.7% | 57.2%55.1%–59.4% |
时空收缩 LDA 对时间最敏感:校正后 63.6%,不校正 57.2%。
这些分数算在什么之上
所有标签都来自数据源。一段记录在最后一个分段之后有一行格式错误的数据,已被丢弃。
被试
每种显示设备各记录一次
有标签的事件
1 个目标对 5 个非目标
保留的分段(主分析时间)
139 个因峰峰值超过 500 µV 被剔除
另一种呈现变化 · 图像速率
LTRSVP 是另一个数据集,解码器也不同。其中 9 名被试观看以每秒 5、6、10 张的速度快速闪过的航拍图像,找出其中有飞机的那些;每种速率各记录两次。一个固定的逻辑回归在某一速率的一段记录(a 段)上训练,在同一被试的另一段记录(b 段)上测试,测试速率可以相同,也可以不同;在同一速率内,b 段是在 a 段之后、隔了较长的休息才记录的。下面两组都在同样的 10 Hz 图像上测试:9 名被试合计 223 个目标、2,036 个非目标。
5 Hz a 段训练 → 10 Hz b 段测试
AUROC 0.673 (0.617–0.732)
95% 区间 56.5%–65.8%10 Hz a 段训练 → 10 Hz b 段测试
AUROC 0.695 (0.630–0.753)
95% 区间 57.7%–68.0%配对区间 −6.8 至 +2.8 pp:跨过零,所以不能认定有变化。9 名被试中 7 人的点估计更低、2 人更高。AUROC 变化 −0.022(区间 −0.060 至 +0.014),同样跨过零。
| 训练记录 | 5 Hz 测试338 个目标 / 3,069 个非目标 | 6 Hz 测试296 个目标 / 2,664 个非目标 | 10 Hz 测试223 个目标 / 2,036 个非目标 |
|---|---|---|---|
| 5 Hz 训练 | 73.6%65.8%–80.8% | 70.7%64.5%–76.7% | 60.8%56.5%–65.8% |
| 6 Hz 训练 | 74.9%68.5%–80.9% | 71.4%64.3%–78.1% | 60.6%57.4%–64.3% |
| 10 Hz 训练 | 67.5%59.9%–75.2% | 69.8%61.9%–77.2% | 63.0%57.7%–68.0% |
同一列中,无论训练速率如何,测试的都是同样的图像。对角线上,测试记录是同一速率的 b 段,隔了较长的休息才记录;对角线以外,速率也变了,两段记录在实验中相隔多远也随之不同。这九个格子复用同一批被试、每人同样的三段训练记录。
换一种速率训练,也就换了一段训练记录,图像数量和目标比例也随之不同。这里的差异不是图像速率的因果效应。
原始论文写明,各速率按从低到高的顺序呈现,而且这一顺序没有在被试之间随机化。在同一速率内,b 段是之后的记录,隔了较长的休息;每种速率的两个文件在这个升序序列中处于什么位置,PhysioNet 没有说明。所以跨速率的格子除了速率和记录不同,经过的时间、疲劳和练习程度也不同。
8,626 张测试图像和 81 次“被试 × 格子”评估都来自这 9 人,区间按被试重抽样得出。该数据集 11 名被试中有 2 人缺少某一速率下的两段记录,在评分前已按文件元数据排除。
在这些速率下,一张图像的基线窗口和反应窗口里也含有相邻图像的反应。所有结果都是离线的,解码器固定。
Ana Matran (University of Essex) · EEG Signals from an RSVP Task 1.0.0, PhysioNet (2017), doi:10.13026/C2KX0P. Original publication: Ana Matran-Fernandez and Riccardo Poli, Towards the automated localisation of targets in rapid image-sifting by collaborative brain-computer interfaces, PLoS ONE 12(5): e0178498 (2017), doi:10.1371/journal.pone.0178498. PhysioNet platform: Pollard et al. (2026), doi:10.1038/s44360-026-00096-z.
原始论文写明,研究经埃塞克斯大学(University of Essex)伦理委员会批准,每名被试在实验开始前都签署了书面同意。这里只发布队列级聚合结果,不发布论文中的年龄、性别与利手信息。
PhysioNet 记录 ↗ · 原始论文 ↗ · Open Data Commons Attribution License 1.0
数据来源: extension-update.json · schema bci-report-extension-update-v1。
方法与局限
没有被试在校准所用的设备上接受测试。
每名被试既提供自己的校准数据,也提供自己的测试数据,而且在同一天记录。
两个未调参的简单 CPU 分类器;没有运行基础模型或微调模型。
校正按平均出现延迟平移分段;头显可能引入的、围绕这一平均值的抖动仍然存在。
Grégoire Cattan, Anton Andreev, Pedro L. C. Rodrigues and Marco Congedo · Dataset of an EEG-based BCI experiment in Virtual Reality and on a Personal Computer, Zenodo, doi:10.5281/zenodo.2605205; documentation arXiv:1903.11297.
所有被试都签署了书面知情同意,内容涵盖实验流程、数据管理方式以及随时退出实验的权利;研究经格勒诺布尔-阿尔卑斯大学伦理委员会(CERNI)批准。这里只发布队列级聚合结果。
数据来源: 已审核的聚合 JSON · schema bci-report-context-update-v1。
BCI Report. 在屏幕上校准的 P300 解码器,换到 VR 里还管用吗?[EB/OL]. (2026-10-02). https://bci.report/zh/topics/screen-to-vr/
数字来自发布 extension-update-20261002(2026-10-02)、context-update-20260927(2026-09-27)。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)