[附代码]稳态视觉诱发电位SSVEP之预训练模型提高性能

SSVEP 之深度学习

深度学习已经被广泛运用在脑电信号分析来提高脑机接口的性能，这是一个end-to-end的方法，简单来说，只要搭建好深度学习网络，做好特征工程，然后分类即可，对于一个刚刚接触脑机接口领域深度学习的学习者来说，可以先忽略中间的数学相关的东西，先建一个网络，然后训练数据并跑出结果，这一步成功了，再理解每一层网络的背后含义，进而调优自己的网络，训练出一个更好的模型出来。

本文将利用预训练模型来提升SSVEP的ACC和ITR

1. 详细的内容见知网：
   DOI： 10.27376/d.cnki.gwydu.2023.000003

2. 简单介绍一下
   这是本人毕业论文的最后一章，前面也是用传统机器学习的算法来研究SSVEP，后面转向深度学习，深度学习在SSVEP领域已经有比较出色的成就。然而，预训练模型更是在深度学习的基础上又跳跃了一大步。意思很明显，就是在一个预训练模型的基础上，加上一个受试者的数据继续训练来优化模型，使得训练出来的模型更时候该名受试者。
   

3. 网络结构
   在论文中，我搭建了一个简单的网络，用同一个网络训练预训练模型和特定受试者模型。
   先分子带，子带的信号提取的特征对SSVEP的识别是有非常大的帮助的，借鉴FBCCA的方法，应用在深度学习中。然后先对脑电信号的空间域进行特征提取，