稳态视觉诱发电位分类学习系列:Temporal-Spatial Transformer 0. 引言1. 主要贡献2. 提出的方法2.1 解码的主要步骤2.2 网络的主要结构 3. 结果和讨论3.1 在两个数据集下的分类效果3.2 与基线模型的比较3.3 消融实验3.4 t-SNE 可视化 4. 总结欢迎来稿 论文地址：https://www.sciencedirect.com/s

基于深度学习的SSVEP分类算法简介 1、目标与范畴2、深度学习的算法介绍3、参考文献 1、目标与范畴 稳态视觉诱发电位（SSVEP）是指当受试者持续注视固定频率的闪光或翻转刺激时，在大脑枕-额叶区域诱发的与刺激频率相关的电生理信号。与P300、运动想像（MI）和其他脑电图信号相比，SSVEP具有更高的信噪比，可以产生更高的ITR，使其成为长期以来最有前途的脑电图范式之一。然而，

前言： 哈喽，最近对清华大学脑机接口的数据进行了尝试，输入到了DL模型中，以下是本人对于清华BCI数据的个人见解。 数据地址： 清华大学脑机接口研究组 (tsinghua.edu.cn) 打开网站可以看到有很多个数据，官方对于每个数据都有介绍，但是只对于第一个数据：Benchmark Dataset官方所言最多，英文直接翻译就是基准数据集，下面的其他SSVEP数据都是对于该数据的变体，

声明：转载自https://blog.csdn.net/weixin_42765703/article/details/105604481，感谢博主详尽的分析，最近正在看，学习一下 Note： 没事搬一下砖，重温一下TRCA的计算过程。在知网上检索过SSVEP的硕博论文，发现到2020了更多的仍然是关于CCA及其改进方法的介绍（可能是因为标准CCA毕竟不需要训练，而且计算速度较快），所以我还是只

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