【附代码】SSVEP解码算法 - 扩展典型相关分析（eCCA）

已于 2023-04-17 22:46:50 修改
阅读量766 收藏 1
点赞数 2
分类专栏： 脑电信号识别 文章标签： 算法 人工智能 机器学习 matlab
于 2023-04-17 22:15:23 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/haojun1996/article/details/130209864
版权

1 算法来源

  1. Wang Y , Nakanishi M , Wang Y T , et al. Enhancing detection of steady-state visual evoked potentials using individual training data[J]. IEEE, 2014.
  2. DOI：10.1109/EMBC.2014.6944263

2 算法原理

其算法的核心是CCA，其创新在于不仅把脑电信号X与构造的sin-cos信号进行CCA，还额外使用了另外几组相关，综合来进行决策。话不多说，先看看该算法的流程图。
在这里插入图片描述

3 算法实现

本测试使用清华大学公开数据库进行测试

  1. Beta dataset
  2. Benchmark dataset
  3. Wearable SSVEP BCI Dataset

3.1 MainForECCA.m

clear all
close all
clc

dataset='BETA'; % 'Bench' or '
了解本专栏 订阅专栏 解锁全文 超级会员免费看
脑电信号要分类
关注
  • 2
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 4
    评论
专栏目录
订阅专栏
SSVEP数据集的预处理
计算机小白
09-25 2185
本文讲解了基于Matlab的SSVEP信号的导入、切割和滤波。
【附代码】SSVEP解码算法 - 局部时间信息的典型相关分析（TCCA）
计算机小白
04-16 376
本文主要介绍了SSVEP解码算法-局部时间信息的典型相关分析（TCCA）。大概说明了算法的流程和相关计算公式。并且提供了一套运行代码供读者测试。
SSVEP算法-学科内空间滤波和学科间SSVEP模板计算相关系数
06-03
基于稳态视觉诱发电位(SSVEP)的脑机接口(bci)具有较高的信息传输速率(ITR)，但需要大量的被试标定数据来学习类和被试特定的模型参数(如空间滤波器和SSVEP模板)。在目前基于校准的算法中，校准数据的数量与类(或视觉刺激)的数量成正比。此外，校准数据的大小不能小于刺激的数量。本文提出了一种基于学科迁移的典型相关分析(stCCA)算法，该算法利用学科内部和学科间的知识来高度减少受试者的校准数据。我们的实验结果表明，stCCA方法在非常少的校准数据下表现良好，在清华基准数据集中提供了198.18 59.12 bpm的ITR(9次校准试验)，在BETA数据集中提供了127.86 60.43 bpm的ITR(9次校准试验)。
6cc7ecca3035aba5bfd52683f971faf1:应用程式编号5462
03-29
6cc7ecca3035aba5bfd52683f971faf1 应用程式编号5462
SSVEP分类评价-遵循SSVEPNet的代码设计
06-03
用于复制SSVEP信号的规范识别方法。可复制的方法包括CCA[1]、MSI[2]、FBCCA[3]和TRCA[4]。文件分布遵循SSVEPNet的代码设计[5]。使用12类公共数据集[6]进行评价。
TRCA-SSVEP-master_ssvep_BCISSVEP_TRCA
09-11
脑机接口 SSVEP 分类算法 TRCA
稳态视觉诱发电位(SSVEP)识别| Task-Related Component Analysis, TRCA
qq_23100417的博客
10-21 8998
声明：转载自https://blog.csdn.net/weixin_42765703/article/details/105604481，感谢博主详尽的分析，最近正在看，学习一下 Note：没事搬一下砖，重温一下TRCA的计算过程。在知网上检索过SSVEP的硕博论文，发现到2020了更多的仍然是关于CCA及其改进方法的介绍（可能是因为标准CCA毕竟不需要训练，而且计算速度较快），所以我还是只有看期刊上的推导公式。这里我简单谈谈TRCA在SSVEP处理上的实现过程，有不对的地方恳请各位指正。已有基础仅仅.
【附代码】SSVEP解码算法 - 典型相关分析（CCA）
计算机小白
04-16 2695
本文主要介绍稳态视觉诱发电位（SSVEP）的解码算法-典型相关分析（CCA），提供该算法的完整代码和测试用例，方便刚接触脑机接口的研究者进行学习。
EEG 数据集整理
沃·夏澈德的博客
09-13 6651
MI BCI II dataset Ia: 任务：确定受试者是试图产生皮质消极性还是皮质积极性 特点： 多标记 标签数 维度/通道数 多源 小样本 数据规模 时长 N 2 6 N Y 268 train; 293 test 3.5s Birbaumer, N., Flor, H., Ghanayim, N., Hinterberger, T., Iverson, I., Taub, E., Kotchoubey, B., Kübler, A., & Perelmouter, J
国内多所单位联合推出的基于SSVEP可穿戴BCI开放数据集
脑机接口社区
05-10 1217
脑机接口（BCI）的各种应用中，基于稳态视觉诱发电位（SSVEP）的BCI因其高信息传输率（ITR）、较少的培训过程和简单的操作而备受研究人员的青睐。近年来出现了基于SSVEP的BCI的开放数据集，开放数据集为研究人员在BCI高速拼写功能方面的研究提供了很大的便利，就BCI设备而言，穿戴式BCI系统在实践中更受欢迎，但对数据采集、数据分析和用户体验方面的要求也更高。而基于...
SSVEP_code_ssvep_
10-03
a ssvep code for study
脑机算法CCA-FBCCA机械手臂控制源代码-fbcca算法-cca算法-python
09-14
SSVEP-BCI系统通常使用固定的计算时间和静态窗口停止方法来解码EEG信号，这降低了系统的效率。针对这一问题，本文采用了一种自适应FBCCA算法，该算法利用贝叶斯估计动态寻找结果预测的最佳数据长度，适应不同试验和不同个体之间的差异，有效提高了系统运行的有效性。同时，通过这种方法，本文构建了一个基于自适应FBCCA的脑控机械臂抓取生命辅助系统。在本文中，我们选择了20名受试者，共进行了400个实验。大量实验验证了该系统的可用性，平均识别成功率为95.5%，这也证明了该系统可以应用于实际场景。帮助残疾人用大脑控制机械臂抓取所需物品，以辅助日常生活，提高生活质量。未来，SSVEP的自适应FBCCA解码算法可以与运动成像脑机接口解码算法相结合，构建相应的系统，帮助脑卒中引起的上肢或下肢运动障碍患者康复，重塑大脑和控制肢体连接。 ———————————————— 版权声明：本文为CSDN博主「紫钺-高山仰止」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。 原文链接：https://blog.csdn.net/qq_43158059/article/deta
SSVEP-TRCA-R-master_ccaSSVEP_CCATRCA_TRCACCASSVEP_ssvep_SSVEPCCA
09-29
脑电信号的分类识别，联合CCA和TRCA算法
SSVEP-GAN-CNN
06-03
Code to accompany our International Conference on Pattern Recognition (ICPR) paper entitled - ...SIS-GAN.py Our proposed SIS-GAN based model for generating subject invariant SSVEP-based EEG data; C
美国100家最大的医疗物资供应商和护理产品供应商
caslees的博客
03-06 994
以下数据来自五威数据。转载请注明出处。 根据年度营收规模，五威数据依据全球数据库提取了美国100家最大的医疗物资供应商、护理产品供应商。包括防护服、防护镜、熔喷布、护理产品等多类。 其中，第1名企业营收214,319,000,000美元（约2143亿美元）。第100名企业的营收为676,150,330美元（约6.8亿美元）。 1 . McKesson Corporation 2 . Cardina...
【脑机接口】Adaptive SSVEP-Based BCI System With Frequency and Pulse Duty-Cycle Stimuli Tuning Design基于频率
高山
09-25 102
摘要：本研究旨在设计一种基于稳态视觉诱发电位（SSVEP）的脑机界面（BCI）系统。众所周知，低频闪烁会导致更密集的SSVEP，但可能会让用户感到不舒服和容易疲劳。因此，本文提出了一种新的中/高频闪烁刺激方法。然而，当用户注视相同的刺激时，他们会表现出不同的SSVEP反应。针对所有用户设计固定频率的闪烁刺激是不合适的。本研究首先提出了一种调整每个用户刺激频率的策略，从而导致更好的SSVEP。此外，为了进一步增强SSVEP，本研究采用闪烁占空比用于刺激设计，这对基于SSVEP的BCI系统的讨论较少。
基于稳态视觉诱发电位(SSVEP)的中文拼写器脑机接口(BCI)对于应用于ALS患者
脑机接口社区
12-02 2497
点击上面"脑机接口社区"关注我们更多技术干货第一时间送达本研究将基于稳态视觉诱发电位(SSVEP)的脑-机接口(BCI)应用于肌萎缩性侧索硬化症(ALS)患者，并验证了其...
Java 7大排序
m0_74270127的博客
05-10 812
插入排序、希尔排序、选择排序、堆排序、冒泡排序、快速排序、归并排序
【算法】NOIP2003神经网络
最新发布
littlegengjie的博客
05-13 591
图中，X1—X3是信息输入渠道，Y1－Y2是信息输出渠道，C1表示神经元目前的状态，Ui是阈值，可视为神经元的一个内在参数。然后根据拓扑排序一次遍历该图的所有点（例如便利到点1，会遍历所有以点1位直接前驱的点），遍历点1之后，3、4、5的状态均为1，遍历点2之后3、4、5均为2，将所有输出点的状态减去阈值，就为最终状态。现在，给定一个神经网络，及当前输入层神经元的状态（Ci），要求你的程序运算出最后网络输出层的状态。再下面P行，每行由两个整数i，j及一个整数Wij，表示连接神经元i、j的边权值为Wij。
Ssvep分类算法介绍
05-31
SSVEP（Steady-State Visually Evoked Potential）分类算法是一种基于脑电信号的分类方法，它可以用于识别人的视觉注意力所在的位置。该算法通过刺激人的视觉系统来产生频率恒定的脑电信号，然后通过对这些信号的分析，可以确定人的视觉注意力所在的位置。SSVEP分类算法通常用于脑机接口技术、虚拟现实等领域。 具体而言，SSVEP分类算法通常采用频域特征提取和机器学习分类器两个步骤，首先通过傅里叶变换将脑电信号转换为频域信号，然后提取出信号中的频率、幅度等特征，用于分类器进行分类。常用的分类器包括支持向量机、神经网络等。 SSVEP分类算法的优点是分类准确率高、响应速度快、易于实现等，但也存在着一些限制，如对光线强度、刺激频率等有一定的要求。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 4
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

脑电信号要分类

你的鼓励是我创作的前进动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值