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

使用黎曼几何的基于SSVEP的在线BCI 描述 基于SSVEP的BCI中基于黎曼几何的分类方法的分析。 该算法已通过上可用的数据进行了测试 依存关系 Matlab 7或更高版本 Biosig工具箱： ：//biosig.sourceforge.net/ Barachant协方差工具箱： : 数据 该代码已根据提供的数据进行了测试。 为了快速运行代码，数据应放在文件夹中 主要档案 plots.m绘制所有数字 tables.m绘制主要结果表 ClassProb_3class.m和ClassProb_4class.m在线评估在线算法中使用的类概率概率阈值。 分别为3个班和4个班（SSVEP班+静息班） offline_basic_potato_3class.m对带有或不带有利曼马铃薯的MDRD进行的离线分析，用于消除异常值。 从提示开始时间t0取得的时代分类。 仅使用SSVEP类 of