BCI Report 研究预览拒识 · Jev-style 研究计划
在本站的空闲协议上，EEGNet 在 60 个空闲试次里没有一次误触发——同时在 60 条指令中只检出 1 条。它的 4 名被试中有 2 名最终用上了拒绝一切指令的阈值。单看误触发率，等于奖励一个什么都不做的解码器。本页把两个数字放在一起，再给出一个 Jev-style 研究计划：要测什么，才能回答解码器究竟该不该执行。
阈值只用校准数据来选，而选出的阈值可能拒绝所有指令。4 名被试中有 2 名正是如此。从不触发指令的人，自然也从不误触发，所以每种方法旁边都列出了始终拒识的人数。
两个数字，每种方法
4 名被试；测试集共 60 个空闲试次和 60 个指令试次；指令在提示后 3 秒内被检出才算。按指令检出率排序。
| 方法 | 训练方式 | 3 秒内检出的指令 | 空闲误触发 | 始终拒识 |
|---|---|---|---|---|
| ShallowFBCSPNet | 从头训练 · 20 轮 | 26 / 6043.3%指令检出率 43.3% | 1 / 601.7% | 1共 4 名被试 |
| CSP+LDA | 监督拟合 | 14 / 6023.3%指令检出率 23.3% | 0 / 600.0% | 1共 4 名被试 |
| LaBraM | 冻结编码器 + 线性分类头 | 11 / 6018.3%指令检出率 18.3% | 2 / 603.3% | 0共 4 名被试 |
| CBraMod | 冻结编码器 + 线性分类头 | 11 / 6018.3%指令检出率 18.3% | 1 / 601.7% | 1共 4 名被试 |
| Deep4Net | 从头训练 · 20 轮 | 2 / 603.3%指令检出率 3.3% | 1 / 601.7% | 1共 4 名被试 |
| EEGNet | 从头训练 · 20 轮 | 1 / 601.7%指令检出率 1.7% | 0 / 600.0% | 2共 4 名被试 |
明确的非控制状态 · 四人试点
另一个协议专门记录了指令之间的状态：注视中央图像但闪烁关闭、看着白墙休息、注视中央而周围目标在闪烁。一个固定的 CCA 解码器配合只用校准试次拟合的逐人阈值，决定是否接受每个 1.5 秒窗口。
| 状态 | 窗口 |
|---|---|
| 拒识前识别出正确频率 | 152 / 19279.2% |
| 被接受（覆盖率） | 130 / 19267.7% |
| 被接受且正确（端到端） | 121 / 19263.0% |
| 被接受窗口中的正确率 | 121 / 13093.1% |
| 状态 | 被误接受 |
|---|---|
| 注视中央图像，闪烁关闭 | 9 / 4818.8% |
| 看着白墙休息 | 20 / 4841.7% |
| 注视中央，周围目标在闪烁 | 11 / 9611.5% |
四名被试、离线、逐窗口统计。这些是每个测试窗口上的比率，不是每小时的误触发次数；数据源也没有说明物理幅值单位。
Jing Zhao, Qian Zhang, Xinrui Wang, Xueshuo Liu, Jiaxin Li, Fengjie Fan, Zhenhu Liang and Xiaoli Li · An EEG dataset for studying asynchronous steady-state visual evoked potential (SSVEP) based brain computer interfaces, Brain-Apparatus Communication 3(1) (2024), doi:10.1080/27706710.2024.2418650; data at doi:10.6084/m9.figshare.24906300.v3.
实验前，每名被试都签署了书面知情同意；研究经秦皇岛市第一医院伦理委员会审查批准。本站只用了该数据集 24 名被试中的 4 名，并且只发布合并后的计数。
数据来源： 已审核的聚合 JSON · schema bci-report-context-update-v1 · 生成于 2026-09-27。
方法与局限
一个规模小、提示同步的协议。它说明了为什么两个数字缺一不可，却说明不了解码器在连续使用中的表现。
在这个规模下，平均值离每个人都很近：公开的比率可以还原成计数，计数又能缩小到两个人中的一个。具体算法写在数据使用页上。
测试中只有 180 秒的空闲。它估计不了在一个小时真实、无提示的休息中，解码器会误触发多少次。
每次提示都会重新开始检测，所以解码器总是知道决策窗口已经打开。一个必须自己察觉意图的系统，面对的问题比这个协议测的更难。
这些都是经过阈值的决策。每种方法的概率校准得好不好——这正是判断何时该推迟决策的依据——还没有在这个协议上测过。
OpenNeuro ds005342 contributors · version 1.0.3, doi:10.18112/openneuro.ds005342.v1.0.3; associated study doi:10.3389/fninf.2022.961089. Original author credits are retained at the linked source.
数据源 README 写明被试自愿签署了同意书，并经 Universidad Antonio Nariño 伦理委员会批准。这里只发布队列级聚合结果。
数据来源： 已审核的聚合 JSON · 本协议的 CSV · research-preview-20260920。
研究提案 · 尚未运行
解码器能做的选择不止一个类别标签：它可以执行，可以等待更多证据，也可以请求校准。模型在这些选择上做得好不好，是可以测量的，而本站目前还没有测。本节是计划：没有结果，也不借用任何结果。
状态：提案。本节中的实验都尚未运行。
“Jev-style”指一种接口范式：信号只编码一次，再回答关于它的多个明确的、规定输出类型的问题。这里既没有接入 Jev，也不是能读 EEG 的 Jev 模型，更不是本站训练出的模型。目前还没有任何结果。
首先 · 尚未运行
在同一份数据上比较固定阈值、简单统计策略和可学习的拒识机制。报告相同覆盖率下的错误率、各类别的接受率，以及概率质量——Brier 分数、log loss 和可靠性图——校准数据与测试数据分开。重新校准另作一项实验，并计入所需标签的代价。
风险—覆盖率曲线只在有样本被接受时才有定义；覆盖率为零时没有错误率，而不是错误率为零。
随后 · 尚未运行
在运动想象和睡眠两个协议上分别比较：各任务独立的模型、共享编码器加固定分类头，以及同一编码器加问题条件化分类头，数据量与计算量保持一致。
如果固定分类头以更低成本做得一样好，那就是结果，也会照样报告。
之后 · 尚未运行
比较任务标识、标签模板和自然语言描述。同义改写与未见概念分开测试，绝不合成一个“零样本”数字。
关于否定、位置或波形形态的问题，需要信号层面的真值标注。多写几条提示词补不上这一点。
本站的睡眠和 P300 协议用的是类别平衡的子集。在上面估计出的概率描述的是这种平衡，而不是各类别在实际使用中出现的频率，所以它们可以用来比较方法之间的高下，却给不出部署时的错误率。空闲协议是提示同步的、只有三分钟，所以无论跑什么模型，都给不出每小时的误触发率。
第一个带有明确非控制状态的输入，就是上面的四人试点。其余数据集等来源审查完成后再在这里列出。
外部证据，已于 2026 年 9 月 27 日对照原始记录核查。这里没有复现其中任何一项，也不引用它们的数字，以免被当成本站的结果。
说明了 可以给已训练好的分类器加上拒识选项，由使用者设定目标风险，用覆盖率换取更低的错误率。
没有说明 证据来自图像基准。它的保证假设测试数据与校准数据相似，而跨被试、跨会话的 EEG 往往不满足这一点。
说明了 分类与拒识可以联合训练，把给定覆盖率下的风险作为明确的优化目标。
没有说明 不是 EEG 上的证据。它的保证默认不能迁移到新被试或新设备上。
说明了 在 EEG 癫痫分类上，被试之间的分布漂移使标准 conformal 预测达不到名义覆盖率，按被试个别校准能明显提高覆盖率。
没有说明 只是一项临床任务。它说明覆盖率必须在实际使用的数据划分下测量，而不是说 conformal 方法失效。
说明了 一个预训练 EEG 模型可以借助任务专属的 LoRA 模块同时适配多个任务。
没有说明 每个任务一个适配器，不等于多个问题共享同一窗口上的一次计算。
说明了 把 EEG token 输入语言模型并做指令微调，可以在一个模型里支持多项 EEG 任务。
没有说明 指令式 EEG 模型已经存在。多任务结果不能证明任意问题都能泛化。
说明了 基于语言模型的 EEG 模型可以选择与任务相关的查询，用来解码多项任务。
没有说明 这些查询是模型内部的 token，不是使用者写下的判据。它的跨任务平均值也不适合放进这里的排名。
说明了 在作者的临床评测中，与临床报告对齐的 EEG 支持零样本分类和检索。
没有说明 医院 EEG 与临床表型。对可穿戴设备、少通道或任意概念，目前还说明不了什么。
说明了 在视觉领域，一张图像编码一次，就能批量回答多个强制选择的问题——这就是促成本计划的“Jev-style”接口。
没有说明 它自己设置的对照——换成输出类型固定的分类头——没有带来一致的准确率提升；训练带来的提升也集中在训练中见过的任务类型上。它的加速是视觉结果，不是 EEG 结果。