李 新，吴迎年,2*，李 睿

(1.北京信息科技大学自动化学院，北京 100192；2.高端装备智能感知与控制北京市国际科技合作基地，北京 100192)

脑-机接口(brain computer interface, BCI)系统是指通过分析大脑活动的意图将其转换成计算机指令，建立起人或者其他动物与外在环境的沟通渠道[1]，进而达到控制外部设备的目的。BCI在运动恢复、用户训练、脑控轮椅[2-4]、自动驾驶[5]等方面有着广泛的应用。脑-机接口的主要实现方式可以分为主动和被动两种，主动的有基于运动想象[6]，而被动的主要有基于P300信号和稳态视觉诱发电位(steady-state visual evoked potential，SSVEP)信号[7-8]。其中，基于SSVEP的BCI以其高信噪比和高信息传输率(information transfer rate, ITR)以及用户不需要接受训练等优点而备受广大科研工作者的重视，成为BCI的一个关键分支。当前SSVEP脑电信号的分类算法中，比较典型且常用的就是典型相关分析(canonical correlation analysis, CCA)、滤波器组典型相关分析(filter bank canonical correlation analysis，FBCCA)和任务相关成分分析(task-related component analysis, TRCA)几种方法。

FBCCA是一种基于CCA的SSVEP频率检测方法，将基频和谐波频率分量结合起来，用以改善SSVEP的检测[9]。该方法采用基于频率编码的40个目标BCI拼写器进行性能评估。通过在目标识别中引入基波和谐波SSVEP分量，FBCCA方法显著提高了基于SSVEP的BCI的性能，促进了其在高速拼写等实际应用中的应用。Ge等[10]将FBCCA的无训练特征提取与波束形成(beamforming，BF)的数据驱动和自适应特征相结合的方式，构造 了一种新的解码算法，达到与BF方法相当的最新性能。该方法通过消除对专门培训过程的需求，降低了BCI系统的操作复杂性，可以实现一个高准确率和ITR的无训练BCI系统。文献[11]设计了增强现实(augmented reality,AR)和SSVEP相结合的实验范式，通过在真实环境下将闪烁块对物体识别、追踪并标记，采用FBCCA方法对脑电信号分析处理。……