21、基于稳态视觉诱发电位（SSVEP）的脑机接口（BCI）的黎曼分类：离线与在线实现

基于稳态视觉诱发电位（SSVEP）的脑机接口（BCI）的黎曼分类：离线与在线实现

1. 引言

脑机接口（BCI）是一种允许用户通过大脑信号与外部设备进行通信和控制的技术。在基于稳态视觉诱发电位（SSVEP）的BCI中，特征提取和分类是关键步骤。大多数成功的方法都依赖于估计信号的协方差来构建特征，因为协方差能够捕捉多个随机变量之间的线性依赖程度，即大脑信号如何相对变化。

然而，协方差的正确估计需要考虑信号的历史信息，这会在BCI系统中引入延迟。因此，在在线系统中处理基于协方差的方法时，需要特别注意，以实现一个低延迟且鲁棒的系统。

近年来，黎曼几何在BCI的特征提取和信号处理中取得了成功。它处理协方差矩阵，这些矩阵捕捉了大脑信号之间的相关性。黎曼几何方法在国际竞赛中表现出色，并在著名的BCI基准测试中取得了最先进的成果。

本文将回顾一些最稳健的SSVEP特征提取方法，并介绍基于黎曼几何的新工具。通过将这些方法应用于SSVEP数据，我们将比较黎曼几何如何实现离线和在线BCI实现，并且比现有技术具有更高的准确性。

2. SSVEP - 基于BCI的综述

2.1 稳态视觉诱发电位（SSVEP）

在处理感觉诱发电位时，通常会区分事件相关电位（ERP）和稳态响应（SSR），其中SSVEP是SSR的视觉对应物。SSR可能由重复刺激引发的神经振荡产生，而ERP是系统对事件的瞬态响应。

基于SSVEP的BCI通常是依赖型BCI，需要用户有一定的眼球运动能力，将目光移向闪烁的刺激物。不过，研究表明，SSVEP也可以作为独立型BCI，因为神经振荡与注意力焦点密切相关。用户可以通过隐蔽注意（即不移动