分享平时的学习心得和笔记

滤波器组典型相关分析（Filter Bank Canonical Correlation Analysis，FBCCA）是一种用于增强SSVEP信号频率识别准确率的算法.

TDCA（Task-Discriminant Component Analysis）算法是一种用于 SSVEP（Steady-State Visual Evoked Potential，稳态视觉诱发电位）分类识别的先进算法，主要应用于脑机接口（BCI）领域。也许你可能遇到过这种情况：使用清华公开数据集验证过，算法效果确实很好，但自己设计范式采集下来的数据却始终效果很差，可能的原因需要在以下几方面进行分析排查。

清华数据集采用30-39Hz高频刺激（120Hz刷新率），其SSVEP谐波分布在60-78Hz等频段。若自采范式使用不同刷新率（如60Hz）或非整数倍频率设计，会导致谐波成分偏离预期。：检查触发信号与EEG记录的时间对齐精度（误差应<5ms），必要时进行离线时间校正（参考网页4的TDC校正流程）：增加带阻滤波（消除工频干扰）和ICA去眼电预处理，验证原始信号频谱是否存在异常峰（网页1推荐方法）：如肌电噪声（50-100Hz）或显示器刷新残留噪声，会破坏SSVEP信号的谐波结构。

Ensemble-DNN模型的工作原理

以下是一个基于LSTM的脑机接口运动意图解码Python实现，结合LSTM特征提取技术和脑电信号处理规范。代码包含模拟数据生成、特征提取、模型训练和可视化全流程，可直接运行。

脑机接口（BCI）的技术原理与应用领域可结合多学科前沿进展和实际案例解析如下