# 在屏幕上校准的 P300 解码器，换到 VR 里还管用吗？

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。

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

测量所用数据集： [Cattan PC/VR P300 dataset](https://bci.report/zh/datasets/vr-pc-p300/)、[LTRSVP · EEG Signals from an RSVP Task](https://bci.report/zh/datasets/ltrsvp/)

## 简答

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。

**21 名被试更换显示设备后达到的水平。** 每名被试在一种设备上校准、在另一种上测试，两个方向都做，再在被试内取平均。平衡准确率，主分析时间校正。点为被试平均值，横线为被试 bootstrap 95% 区间，虚线为随机水平（50%）。

- 窗口均值逻辑回归: 66.0% (61.6%–70.2%)
- 时空收缩 LDA: 63.6% (59.6%–67.7%)

**66.0%** 更换显示设备后的平衡准确率，21 名被试

### 换设备后仍高于随机水平

区间 61.6%–70.2%；AUROC 0.732。

两个固定基线

## 在一种设备上校准，在另一种上测试

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。

先对每名被试的两个迁移方向取平均，再对 21 名被试取平均；附被试 bootstrap 95% 区间。

| 基线 | 平衡准确率 | AUROC |
| --- | --- | --- |
| 窗口均值逻辑回归 | 66.0% (61.6%–70.2%) | 0.732 (0.671–0.785) |
| 时空收缩 LDA | 63.6% (59.6%–67.7%) | 0.713 (0.652–0.771) |

预先设定的敏感性分析

## 校正与不校正刺激出现时刻

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。

两种时间方案下的平衡准确率，附被试 bootstrap 95% 区间。

| 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

## 21 名被试，每种设备各一段记录

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

21

每种显示设备各记录一次

有标签的事件

30,240

1 个目标对 5 个非目标

保留的分段（主分析时间）

30,101

139 个因峰峰值超过 500 µV 被剔除

另一种呈现变化 · 图像速率

## 在每秒 5 张图像上训练、在每秒 10 张上测试：P300 解码器还管用吗？

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

60.8%

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

63.0%

AUROC 0.695 (0.630–0.753)

— 95% 区间 57.7%–68.0%

**−2.2 pp** 5 Hz 训练减 10 Hz 训练，相同的 10 Hz 测试图像，9 名被试

### 平均略低——但区间跨过零

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。

每种训练速率（行，a 段）与测试速率（列，b 段）下的被试平均平衡准确率，9 名被试，附被试 bootstrap 95% 区间。随机水平为 50%。

| 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。

### 图像速率比较的局限

### 速率与记录相互混杂

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。

### 从低到高的呈现顺序

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。

### 9 名被试

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。

### 反应相互重叠、离线

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。

### LTRSVP · EEG Signals from an RSVP Task

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 ↗](https://physionet.org/content/ltrsvp/1.0.0/) · [原始论文 ↗](https://doi.org/10.1371/journal.pone.0178498) · [Open Data Commons Attribution License 1.0](https://opendatacommons.org/licenses/by/1-0/)

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

方法与局限

## 跨设备迁移结果的局限

### 没有同设备的参照

没有被试在校准所用的设备上接受测试。

### 同一被试、同一天

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。

### 只有简单基线

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。

### 事件间时间抖动

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。

### Cattan PC/VR P300 · a BCI experiment in virtual reality and on a personal computer

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。

[Zenodo 记录 ↗](https://doi.org/10.5281/zenodo.2605205) · [数据集说明文档 ↗](https://arxiv.org/abs/1903.11297) · [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。

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. *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`](https://bci.report/zh/releases/#extension-update-20261002)（2026-10-02）、[`context-update-20260927`](https://bci.report/zh/releases/#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](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/screen-to-vr/ 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）。