foamz的博客

典型相关分析（Canonical Correlation Analysis，CCA）是一种用于探索两组变量之间相关性的多元统计方法。它的核心目标是找到两组变量的线性组合，使得这些组合之间的相关性最大化，从而揭示两组变量之间的潜在联系。在BCI脑机接口领域，SSVEP稳态视觉诱发电位中，经常使用的一种方法。参考使用《多元统计分析（第5版）》何晓群教材内容学习理解。所以如下图可知，知晓理论求解的步骤后，只要用Matlab求 x, y 的各种cov协方差，配合inv求逆矩阵，即可得到M1和M2矩阵。

在脑机接口(BCI)领域，有SSVEP方向，中文叫做稳态视觉诱发电位，当人观看闪烁的视觉刺激（比如闪烁的灯光或图像）时，大脑会在与刺激频率一致的频率上，产生电位波动。这段脑电波是一种稳定且容易检测的脑电信号。通过确定ssvep波的频率，可以准确地判断用户正专注于哪个视觉刺激目标，帮助BCI系统识别用户意图，从而控制相应的设备或应用。例如，用户可以通过注视不同频率的方块或图标来控制计算机光标、游戏角色、轮椅等设备。还可以通过确定频率成分，对脑部健康状况进行初步筛查或监控，进而识别一些可能的脑部异常活动。

传统的典型相关分析（CCA）方法在SSVEP信号识别中取得了一定成效，但容易受到自发脑电活动的干扰，且未充分利用相位信息。为此，研究者提出了TRCA方法，通过最大化任务期间神经影像数据的可重复性，提取任务相关成分，增强信号的信噪比（SNR），抑制背景脑电噪声。任务相关成分分析（Task-Related Component Analysis, TRCA） 是一种用于脑电信号（EEG）处理的多变量分析方法，主要应用于脑机接口（BCI）领域。

天津大学医学工程与转化医学研究院、天津脑中心等单位联合开发了我国首个脑机接口综合性开源软件平台——MetaBCI。本文将详细介绍MetaBCI平台的功能、特点及应用前景，以及获取安装方法，文档地址。作为我国首个综合性开源脑机接口软件平台，为BCI技术的研究和应用提供了强有力的支持。

本文介绍清华大学脑机接口研究组的Benchmark dataset数据集信息，简要阐述如何使用。这一数据集为SSVEP-BCI领域的研究提供了丰富的数据资源，使得研究人员可以深入了解SSVEP信号的特性、开发更高效的BCI算法、优化控制器设计，并推动脑机接口技术的实际应用。为SSVEP（稳态视觉诱发电位）-BCI领域提供了一组高质量、多样化的数据，极大地支持了算法研究和系统优化。

itCCA最开始用于C-VEP(code modulated VEP)信号的解码，这种信号的特征难以用正余弦波去描述，但确实存在稳定的类间差异性和类内统一性。因此基于正余弦信号的标准CCA算法，不适用于该情况。C-VEP（Code Modulated Visual Evoked Potential，编码调制视觉诱发电位）信号是一种通过编码调制技术生成的视觉诱发电位（VEP）。VEP是神经生理学中用于评估视觉系统功能的信号。

天津大学神经工程团队介绍了中国首个脑机接口开源软件平台——MetaBCI的技术架构和实现方法。MetaBCI针对BCI领域中数据分布零散、算法难以复现以及在线系统效率低下的问题，规范了BCI数据结构和预处理流程，开发了通用的算法框架。使用anconda管理python环境，及安装jupyter notebook便于后续Metabci环境的使用

是一种用于多通道脑电图（EEG）信号处理的算法，特别用于稳态视觉诱发电位（SSVEP）脑-机接口（BCI）系统中的信号分类。FBCCA结合了滤波器组（Filter Bank）和典型相关分析（Canonical Correlation Analysis, CCA）的技术，旨在提高不同频率刺激下SSVEP信号的分类性能。项目地址：项目首页 - FBCCA算法matlab实现:脑机接口SSVEP领域FBCCA算法的matlab实现代码。- GitCode。