# FBCCA：在公开 EEG 数据集上的结果

方法

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. ↗](https://doi.org/10.1088/1741-2560/12/4/046008)

简介来源 [pubmed.ncbi.nlm.nih.gov](https://pubmed.ncbi.nlm.nih.gov/26035476/) · [doi.org](https://doi.org/10.1088/1741-2560/12/4/046008) · [iopscience.iop.org](https://iopscience.iop.org/article/10.1088/1741-2560/12/4/046008) · [pmc.ncbi.nlm.nih.gov](https://pmc.ncbi.nlm.nih.gov/articles/PMC5783827/) · [github.com](https://github.com/mnakanishi/TRCA-SSVEP/blob/master/src/test_fbcca.m)

## 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)](https://bci.report/zh/datasets/wearable-ssvep-102/) · 干湿电极传感器迁移

连同协议阅读： [干电极与湿电极](https://bci.report/zh/topics/dry-vs-wet/) · [deployment-topics.json](https://bci.report/data/deployment-topics.json)

**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）。

- 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%)

| 方法 | 条件 | 指标 | 数值 | 被试 |
| --- | --- | --- | --- | --- |
| [FBCCA](https://bci.report/zh/methods/fbcca/) | 湿电极记录 · 无源域训练 | 平衡准确率 | 82.3% (78.7%–85.7%) | 102 |
| [FBCCA](https://bci.report/zh/methods/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 →](https://bci.report/zh/methods/) · [全部数据集 →](https://bci.report/zh/datasets/)

---
本文是 https://bci.report/zh/methods/fbcca/ 的 Markdown 版本，由已发布的网页生成。数字均为聚合结果；使用条款见 https://bci.report/data-use/（英文）。