本文主要是介绍稳态视觉诱发电位(SSVEP)丨典型性相关分析(CCA)，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
稳态视觉诱发电位(SSVEP)丨典型性相关分析(CCA)
文章目录
- 稳态视觉诱发电位(SSVEP)丨典型性相关分析(CCA)
- 1. 准备工具：
- 2. 实验数据
- 3. 安装和运行
- 4. 结论
前言：采集一组脑电数据，准备使用 bci_toolbox进行分析时，发现时隔一个月就把使用步骤忘得一干二净。还是记录一下，便于日后查阅。
1. 准备工具：
软件：Matlab
工具包：bci_toolbox
2. 实验数据
San Diego Square Joint Frequnecy-Phase Modulation SSVEP (ftp://sccn.ucsd.edu/pub/cca_ssvep)
3. 安装和运行
- 首先将bci_toolbox加载入Matlab设置路径中，例如：F:\GitHub\bci_toolbox。
- 将Matlab路径调整到F:\GitHub\bci_toolbox路径下运行setup.m。
- 在上述路径下，新建文件夹：Datasets，再创建一个新文件epochs，如下图。
- 打开dataio\dataio_create_epochs_SM_SanDiego.m，命令行窗口输入：
% 数据长度和带通滤波
epoch_length = [0 4000];
filter_band = [5 40];
dataio_create_epochs_SM_SanDiego(epoch_length, filter_band)
- 运行上面代码之后会在datasets\epochs\ssvep_sandiego\SM下产生训练集和测试集。
- 运行define_approach_SSVEP.m，结果如下：
>> Average accuracy on SSVEP_SANDIEGO 92.5Time elapsed for computing: 5.3458 seconds
4. 结论
说明使用SSVEP_SANDIEGO数据集，数据长度为**[0 4000]，带通滤波器[5 40]，识别算法CCA**，平均正确率：92.5%。
这篇关于稳态视觉诱发电位(SSVEP)丨典型性相关分析(CCA)的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
