#利用CCA识别SSVEP信号的数学解释
#本篇由BCIduino脑机接口开源社区整理(公众号“BCIduino脑机接口社区”)。BCIduino脑机接口社区由来自北京航空航天大学、康奈尔大学、北京大学、首都医科大学等硕博发起成立,欢迎加入社群,备注"BCI",也欢迎采购BCIduino脑电模块(某宝搜索即可)。
SSVEP信号的特征分析主要是基于对刺激频率的识别。功率谱密度分析(PSDA)是提取SSVEP响应频率的传统方法。视觉刺激的频率是通过检测功率谱密度峰值的频率来确定的。
2006年,Lin等人,提出了典型相关分析(CCA)作为SSVEP特征识别算法。与PSDA相比,它可以将多通道信号的数据结合起来,提高信噪比,提高目标识别精度。CCA通过计算两组信号的典型相关系数来分析SSVEP信号。其中一组信号是记录的EEG信号
其中n是信号采集电极的数量。另一组Y i是与视觉刺激频率相对应的参考信号。
本文采用CCA方法的变形模态来确定识别目标。研究者用欧几里德范数组合每个刺激目标的n个相关系数,