（1）脑电信号进行带通滤波，滤波范围 3-40Hz。 （2）利用 FFT 或功率谱 periodogram 对每个试次每个通道的脑电信号进行频谱分析， 查看 7-15Hz 范围内最高峰值是多少，并与所给刺激频率比对，8 个通道投票最多的目标即为该试次所分类出来的目标结果。另外，也可考虑基倍频联合检测，从而提高目标识别准确率。 （3）对 20 个试次分别进行目标分类，根据频谱信息判断目标类别并与其真实标签 label 8进行比较，计算准确率。 （4）GUI 界面呈现滤波器的幅频响应；20 个试次一个通道的频谱图（可选一个识别率 高的通道），并标出峰值频率；呈现 20 个试次中每个导联目标分类类别，以及 8 导联联合目标识别结果。

在本文中，提出了文献综述，以找到大脑计算机接口（BCI）的最新技术水平。 本文分为四个部分，第一部分简要介绍了BCI，第二部分介绍了在大脑中激发电位的方法的最新发展。 在第三节中，研究了潜在的记录和预处理方法，在第四节中，研究了特征提取和分类方法的最新技术水平。 编写本文的方式可以使初学者了解脑机接口的过程和技术水平。

SSVEP拼写器，40目标（8 Hz ~ 15.8），类似清华大学Benchmark的范式，红色框代表刺激提示，这个程序可以与Brain Product的脑电帽子做成在线识别的SSVEP系统，需要BP提供的一个RDA接口文件就可以了。 本资源仅供刚入门SSVEP的硕士研究生同学学习，不是很难，但需要花时间弄懂代码，我的博客也有相关的文章。

软件：matlab + psychtoolbox 说明文章：https://blog.csdn.net/haojun1996/article/details/123846255?spm=1001.2014.3001.5501 软件可直接运行，里面有设置频率的解释。需要用到其他频率的小伙伴可以自己根据文章说的方法自己去计算相对应的频率。

系统适配蓝色传感、博睿康、Neuroscan 设备 可以实现界面刺激频闪，设备采集数据后到系统，通过FBCC 算法计算

该代码是一个演示，演示了L1规范化的多方规范相关分析（L1MCCA）在BCI中对SSVEP识别的性能优于CCA。 要查看结果，您只需运行名为“L1MCCAforSSVEP_Demo”的 m 文件。 欲知更多详情，请参阅论文： Y. Zhang、G. Zhou、J. Jin、M. Wang、X. Wang、A. Cichocki。 基于 SSVEP 的 BCI 的 L1 正则化多路典型相关分析。 IEEE 翻译神经系统。 康复。 英，卷。 21，没有。 6，第 887-896 页，2013 年。 如果您对此代码有任何疑问，请随时与我联系： zhangyu0112@gmail.com

a ssvep code for study

该演示展示了 Multiset CCA 与用于 BCI 中 SSVEP 识别的标准 CCA 之间的比较。 要查看结果，您只需运行名为“MsetCCAforSSVEP_Demo”的 m 文件。 更详细的，请看论文： Y. Zhang、G. Zhou、J. Jin、X. Wang、A. Cichocki。 使用多集规范相关分析在基于 SSVEP 的 BCI 中进行频率识别。 国际神经系统杂志，24(4)：1450013，（14 页），2014 年。 如果您对此代码有任何疑问，请随时与我联系： zhangyu0112@gmail.com

脑机接口 SSVEP脑电模式识别 eCCA

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