用于数据受限条件下增强 SSVEP 识别的混合模板典型相关分析方法
信号处理
2021-05-04 v2
摘要
本研究提出了一种称为混合模板典型相关分析（HTCCA）的先进基于 CCA 的算法，以在数据受限条件下改善基于稳态视觉诱发电位（SSVEP）的脑机接口（BCI）性能。HTCCA 方法结合多名受试者的训练数据来构建 SSVEP 模板。在两个公开基准数据集上评估的实验结果表明，当试验次数较少时，所提方法在检测准确率与信息传输率上均优于对比方法。考虑到用户友好体验将成为 BCI 实际应用中的关键因素，基于有限 EEG 样本开发有效方法十分必要。本研究证明了所提方法在基于 SSVEP 的脑机接口应用中具有巨大潜力。
引用
@article{arxiv.2008.03002,
title = {Hybrid Template Canonical Correlation Analysis Method for Enhancing SSVEP Recognition under data-limited Condition},
author = {Runfeng Miao and Li Zhang and Qiang Sun},
journal= {arXiv preprint arXiv:2008.03002},
year = {2021}
}