方法

FBCCA：在公开 EEG 数据集上的结果

滤波器组典型相关分析（FBCCA）由 Chen、Wang、Gao、Jung 和 Gao 提出（Journal of Neural Engineering，2015），是对基于 CCA 的 SSVEP 检测的扩展：先用滤波器组把 EEG 分解为多个子带，在每个子带内计算与正弦-余弦参考信号的 CCA，再按权重合并各子带的相关系数来判定目标频率。该方法最初用于一个 40 目标的 SSVEP 拼写器。

又称 FBCCA · filter bank CCA · filter bank canonical correlation analysis · Chen et al. 2015

参考文献 Chen X, Wang Y, Gao S, Jung T-P, Gao X. Filter bank canonical correlation analysis for implementing a high-speed SSVEP-based brain–computer interface. Journal of Neural Engineering 12(4):046008, 2015. ↗

简介来源 pubmed.ncbi.nlm.nih.gov · doi.org · iopscience.iop.org · pmc.ncbi.nlm.nih.gov · github.com

已发布的结果

按数据集分组。只在组内比较：跨组时任务、队列、随机水平与电极布局都会变。

Wearable SSVEP BCI dataset (dry and wet electrodes) · 干湿电极传感器迁移

连同协议阅读：干电极与湿电极 · deployment-topics.json

FBCCA · 湿电极记录 · 无源域训练

82.3% (78.7%–85.7%)

FBCCA · 干电极记录 · 无源域训练

64.6% (59.5%–69.6%)

平衡准确率，2 个配置。 点为估计值，横线为 95% 区间，虚线为随机水平（发布数据中有记录时）。

方法	条件	指标	数值	被试
FBCCA	湿电极记录 · 无源域训练	平衡准确率	82.3%78.7%–85.7%	102
FBCCA	干电极记录 · 无源域训练	平衡准确率	64.6%59.5%–69.6%	102

全部方法 → · 全部数据集 →