02 - 典型相关性分析（Canonical Correlation Analysis）

02-典型相关性分析（Canonical Correlation Analysis）

这里将一步步介绍一些SSVEP的经典算法来帮助大家理解SSVEP的一些具体操作方法。

---

`

---

一、什么是CCA

典型相关性分析是一种方法，我们这里可以考虑他是一种投影方法，假设一个SSVEP的测试信号X的数据维度为[250，8]，这里250代表有250个采样点，8代表8个通道信息（也可以理解为该点的8个特征值），同理，参考信号Y的数据维度为[250,10]，我们通过CCA方法将SSVEP的测试数据X的8个维度投影到一维空间，参考信号Y也投影到一维空间，在这里我们只考虑投影后使得他们的相关性系数最大，那么可以得到：

---

二、如何将CCA使用在SSVEP中

在这里我将简单介绍如何使用cca方法来进行ssvep实验，在这里我们使用清华大学脑机接口团队的公共数据集benchmark数据集进行实验**(http://bci.med.tsinghua.edu.cn/)。
通过专栏文章01- 具有非侵入性脑机接口的高速拼写**，我们知道需要将采集到的脑电信号进行数据处理，处理操作如下：
1.选取关键电极通道： Pz, PO5, PO3, POz, PO4, PO6, O1, Oz, O2
2.去除latency，这里latency的时间为0.12s
3.建立参考信号Ref
4.利用cca算法，得出40个Ref下的最大的相关性系数

---

三、相关程序示例

eeg_channels = [48 54 55 56 57 58 61 62 63]; % Pz, PO5, PO3, POz, PO4, PO6, O1, Oz, O2

srate = 250;
stimTime = 2;
dataLength = round(stimTime*srate);
delayTime = 0.12;% visual latency
latencyDelay = round(delayTime*srate);

ssvep_test = data(eeg_channels,floor(0.5*srate)+1:floor(0.5*srate+latencyDelay)+dataLength,1,1);

frequencySet=[8:0.2:15.8];
phaseSet=[0 0.5 1 1.5 0 0.5 1 1.5 0 0.5 1 1.5 0 0.5 1 1.5 0 0.5 1 1.5 ...
    0 0.5 1 1.5 0 0.5 1 1.5 0 0.5 1 1.5 0 0.5 1 1.5 0 0.5 1 1.5]*pi;

for i = 1:1:length(frequencySet)
    testFres = frequencySet(i) * (1:multiplicateTime)';
    t = 0:1/srate:3-1/srate;
    targetTemplateSet{i} = [cos( 2 * pi * testFres * t + repmat(phaseSet(i)* (1:multiplicateTime)',1,length(t)));...
        sin( 2 * pi * testFres * t + repmat(phaseSet(i)* (1:multiplicateTime)',1,length(t)))];
end


for i = 1:1:length(frequencySet)
	[A1,B1,r]=canoncorr(ssvep_test',targetTemplateSet');
	cca_r(i) = r;
end


[~,result] = max(cca_r);

---

四、总结

总体而言，cca是一个简单的方法，但是确实一个基础，一些方法都是基于该方法进行的扩展应用，希望大家能够掌握该方法。

Reference：
[1] Wang, Y., et al. (2016). A benchmark dataset for SSVEP-based brain–computer interfaces. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 25(10), 1746-1752.