用matlab生成谐波代码基于SSVEP的BCI的直接ITR优化 介绍 该存储库包含示例代码，用于在基于稳态视觉诱发电位的大脑计算机接口中优化信息传输速率（ITR）。 所提出的分类方法的新颖之处在于它基于直接ITR最大化。 ITR是衡量BCI绩效的标准。 它将分类器的准确性和速度组合为一个数字，该数字显示了BCI在一个单位时间内传输了多少信息。 因此，最大化ITR将使用户可以在固定的时间间隔内传输到外部设备（计算机，机器人等）的信息量最大化。 该方法在Anti Ingel，Ilya Kuzovkin和Raul Vicente中介绍。 “基于SSVEP的BCI的直接信息传输速率优化。” 神经工程学报16.1（2018）。 使用我们的代码时，请引用本文。 要求 此代码需要具有numpy，scipy，matplotlib，pandas，sklearn，rpy2库的Python 2.7。 库rpy2用于在Python中运行R命令。 使用rpy2的原因是我们需要计算偏态正态分布累积分布函数值，而我在相应的scipy函数中遇到了内存泄漏错误。 如果您在安装rpy2时遇到问题，请尝试按照以下步骤操作

GLRT 方法用于对与脑机接口 (BCI) 的目标频率相对应的稳态视觉诱发电位 (SSVEP) 进行分类。

概述 基于任务相关组件分析（TRCA）的算法，用于检测朝向高速脑机接口（BCI）的稳态视觉诱发电位（SSVEP）[1]。 描述 头皮脑电图（EEG）信号可视为来自多个皮层来源的活动的瞬时线性混合物。 换句话说，可以从多通道头皮EEG信号的加权线性组合来估计/重建皮质源信号。 TRCA找到了一个最佳权重系数，以使任务试验中的时间锁定活动的重现性最大化，从而显着提高了与任务相关的EEG组件的信噪比（SNR）。 发行版包括： data / sample.mat：样本数据（见下文） src / train_trca.m：基于TRCA的训练分类器 src / test_trca.m：使用基于TRCA的分类器对SSVEP进行分类 src / test_fbcca.m：使用FBCCA对SSVEP进行分类 src / filterbank.m：设计一个滤波器组 src / itr.m：计算信息传输率（

基于最大诱发React空间滤波器的基于SSVEP的脑机接口的空闲状态检测算法

matlab滤除特征代码稳态诱发电位 (SSVEP) 该存储库包含 CRAMPP 视觉任务 EEG 处理和分析的代码。 处理顺序 下面介绍EEG文件的处理顺序（即pipeline）以及该工作流的重要特征。 几乎所有 EEG 脚本 ( *.m ) 都需要的两个重要文件/脚本是： src/vis_workspace_prep.m -> 通过设置工作目录、启动 EEGlab 和读取参与者信息来准备工作区 data/0-global-vars/vis-subj-info.xlsx' -> 此工作簿存储有关主题的注释（例如，数据质量、参与者被放弃的原因等）。 最重要的是，第一张表用作批处理器，其中可以添加一个或多个参与者进行批处理 用于准备数据的有用脚本/工具： rename_brainvision_files.m -> 由 Robert Oostenveld 编写的脚本（单击此处查看 ），有助于重命名 Brainvision 文件。 如果在记录完成后重新命名了 Brainvision EEG 文件，则它变得不可读，因为标题需要原始名称。 预处理流水线： prepro.m -> 按以下顺序预处理

SSVEP-BCI研究 作为Ridgefield高中专业研究计划的一部分，我研究了脑机接口领域并进行了实验。 在老Dominion大学（现移居至弗吉尼亚联邦大学）的Dean Krusienski博士及其博士生的指导下，我使用脑电图（EEG）测量了人体稳态视觉诱发电位（SSVEP）。 SSVEP是通过向对象提供闪烁的棋盘图像而生成的，可以潜在地用于帮助残疾患者与环境互动而不动。 摘要： 自从基于稳态视觉诱发电位（SSVEP）的脑机接口（BCI）发明以来，主要的挑战是提高准确性和信号识别能力。 尽管SSVEP在具有最小BCI暴露的受试者中表现出很高的准确率，但要保证日常使用的可靠性，BCI必须达

这个演示展示了 LASSO 与 CCA 在 BCI 中的 SSVEP 识别。 要查看结果，您只需运行名为“LassoSSVEP”的 m 文件。 欲知更多详情，请参阅论文： Y. Zhang、J. Jin、X.Qing、B.Wang、X.Wang。 基于 LASSO 的 SSVEP BCI 刺激频率识别模型。 生物医学信号处理与控制，卷。 7，没有。 4，第104-111页，2012年。 如果您对此代码有任何疑问，请随时与我联系： zhangyu0112@gmail.com

BCI_Visualization 设计了SSVEP（稳态视觉诱发电位）程序来激发特定的大脑频率，以进行脑计算机接口（BCI）研究。 此代码是BCI流程的第一部分。 通过查看方框，以用户输入的频率闪烁，此代码以该频率刺激大脑。

SSVEP是指当受到一个固定频率的视觉刺激的时候，人的大脑视觉皮层会产生一个连续的与刺激频率有关(刺激频率的基频或倍频处)的响应。

稳态视觉诱发电位脑机接口算法介绍，分为相关分析(CCA)及任务相关成分分析(TRCA),这是寻找空间滤波器的算法