耳朵听脑电靠谱吗？23种模型大比拼，Biosensors研究锁定最强者

不用开口，不用动手，光是脑子里想一道算术题或者哼一段旋律，设备就能帮你打开软件、发消息、控制轮椅......听着像科幻片，但耳部脑电技术正在把它变成现实。

戴在耳朵边上的电极，最大的好处就是方便，不碍事，戴久了也没什么负担。但方便是要付出代价的。电极离大脑太远，信号传到耳朵这块儿的时候已经很弱了，再加上面部和颈部肌肉一动就是一堆干扰。本来通道数就没几个，能捕捉到的空间信息相当有限。传统机器学习方法在这类信号上表现平平，换成深度学习能不能有突破，这是大家一直想搞清楚的问题。

Biosensors

最近刊登了韩国几家研究机构合作的一项工作，专门给耳部脑电的心理任务解码挑模型。他们用了之前一项真实实验的数据，14个人在三天里分别做了心算、默唱和词语联想。然后把开源工具包里23种主流的深度学习架构全拉出来比了一遍，纯卷积的、循环的、Transformer类的都有，原始用途也五花八门，

运动

想象、情绪识别、癫痫检测全涵盖了。所有模型都用同样的预处理信号和训练策略，比的是分类准确率，也看参数量和计算时间。下图是耳部电极的布局和信号重参考方式，算是理解后续内容的基础。

图1. 耳部脑电电极配置与空间重参考方法。

跑得最好的是一个叫FBLightConvNet的模型，平均准确率76.94%，在各种条件下都稳居第一。更关键的是，它的参数量只有4834个，在高分模型里个头最小。第二名的EEGSimpleConv准确率73.60%，参数量却比它多了快150倍。而那些在头皮脑电上表现不错的复杂模型，比如用了Transformer的EEGConformer，到了耳部数据上准确率跟随机猜差不了多少。模型好不好使，跟信号模态关系很大，不能简单照搬。下图是23个模型在各种条件下的准确率分布，差距一目了然。

图2. 23种深度学习模型在14名受试者上的平均分类准确率对比。

成对

统计

比较也做了，FBLightConvNet在显著优于其他模型的累计次数上排第一，优势有统计支撑。跟传统的CSP-LDA方法硬碰硬比了三天，FBLightConvNet准确率全都更高，第2天和第3天的差距还达到了显著水平。下图把各模型的综合实力对比放在了一起，看得更清楚。

图3. 各深度学习模型的显著成对差异累计计数。

再看那些表现好的模型，有几个规律挺明显。纯卷积网络整体占优，那些堆了循环层或注意力机制的反而容易过拟合。用滤波器组把信号按频带拆开处理的模型普遍排名靠前，说明分频段提取特征确实管用。还有一点，准确率超过70%的模型全是为

运动

想象设计的，从情绪识别、ERP这些领域迁移过来的效果都不行。模型当初是为啥任务设计的，比它本身有多复杂更能决定能不能用。

团队还在另一个独立的耳部EEG数据集上验证了一遍，模型排名基本一致，FBLightConvNet还是第一，说明不是偶然。

这项研究给了耳部脑电领域一个可以反复用的基准框架，也指了一条挺实在的路。想做真正能戴出去用的脑机接口，不一定非得上最复杂的模型。轻一点、快一点、跟任务对得上，反而更靠谱。FBLightConvNet这种体量的网络，塞进手机芯片或者低功耗嵌入式系统里完全没问题。这一步走通了，耳部脑电离普通人的日常可能就不远了。（

生物谷）

参考文献：

Branco MP, Kinney-Lang E, Ruest N, Carlson HL, Kirton A, Vansteensel MJ. Creating a Roadmap for Pediatric Implanted Brain-Computer Interfaces.

Neurorehabil Neural Repair

. Published online August 31, 2026. doi:10.1177/15459683261481764