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

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