EEGMamba

用 Mamba 高效建模脑电长序列，一个模型适配多种 EEG 任务。

EEGMamba 是一个基于 Mamba 架构的脑电信号（EEG）基础模型，发表于 Neural Networks 2025。它利用状态空间模型的高效序列建模能力，处理多通道、长时程的 EEG 数据，解决传统 Transformer 在长序列上计算复杂度高、难以捕捉全局依赖的问题。核心能力包括：预训练后可通过微调适配多种下游任务（如癫痫检测、睡眠分期、情绪识别等），支持跨被试、跨数据集的迁移学习，并提供了统一的特征提取框架。模型设计上采用线性复杂度的 Mamba 模块，在保持精度的同时显著降低推理成本，适合实时或资源受限的脑机接口场景。

开源 free 开源模型
访问官网 ↗ GitHub ↗ 文档 ↗
GitHub 星标 ★ 100
维护状态 低维护
是否开源 是
定价模式 free

项目数据

分类开源模型
开发团队wjq-learning
所属国家
官网地址
GitHubhttps://github.com/wjq-learning/EEGMamba
定价模式free
价格说明开源模型，MIT许可证，完全免费，可自行部署使用。
访问状态
是否开源是
开源协议MIT
主要语言Python
技术栈/模型deep-learning,eeg,eeg-signals,foundation-models,mamba-state-space-models,pretrained-models
GitHub 星标★ 100
30天Star增速
HF 下载量
上线时间2025-04-09 00:00:00
最近更新2026-08-06 00:00:00
维护状态低维护
中文支持
访问方式
移动端支持
综合评分
收录时间2026-08-09
浏览次数6

使用教程

核心亮点

  • 线性复杂度处理长序列 EEG，比 Transformer 更高效，适合实时场景
  • 预训练+微调范式，跨任务迁移能力强，减少标注数据依赖
  • 开源代码和模型权重，便于复现和二次开发

不足之处

  • 项目处于早期（100 星），文档和社区支持尚不完善
  • 基础模型的通用性尚未经过大规模多数据集验证，泛化能力待观察

适用场景

  • 脑机接口中的实时 EEG 解码（如运动想象、P300）
  • 临床辅助诊断：癫痫发作检测、睡眠分期
  • 认知状态监测：情绪识别、注意力评估

替代项目

EEGNet、Braindecode、LaBraM

项目介绍

EEGMamba 是开源模型领域的开源项目，由 wjq-learning 开发，2025 年首次发布。

它收录于开源模型分类，该分类目前共有 424 个项目，GitHub 星标数为 100。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-08-06。MIT许可证，完全免费，可自行部署使用。

它主要面向的使用场景是：脑机接口中的实时EEG解码（如运动想象、P300）。同类可对比的替代方案包括 EEGNet、Braindecode、LaBraM。

上一篇：awesome-foundation-model-ros

下一篇：General-Physics-Transformer

同类项目推荐

Machine-Learning 开源

跟着博客笔记，边看边跑机器学习代码

All content related to machine learning from my blog

★ 115 2026-08-09
awesome-ltx2 开源

找齐 LTX-2 模型、工作流和 LoRA，一键上手视频生成。

All available LTX-2 models, encoders, workflows, LoRAs for ComfyUI

★ 593 2026-08-10