引用本文
刘旭阳, 李辉, 徐光华. 异步稳态视觉诱发电位脑机接口技术研究及其应用. 模式识别与人工智能, 2026,39(6): 473-488
LIU Xuyang, LI Hui, XU Guanghua. Research on Asynchronous Steady-State Visual Evoked Potential Brain-Computer Interface Technology and Its Applications. PATTERN RECOGNITION AND ARTIFICIAL INTELLIGENCE, 2026,39(6): 473-488.  
Doi: 10.16451/j.cnki.issn1003-6059.202606001
Permissions
Copyright©2026, 《模式识别与人工智能》编辑部
《模式识别与人工智能》编辑部
异步稳态视觉诱发电位脑机接口技术研究及其应用
刘旭阳1, 李辉1, 徐光华1,2,3,4
1.西安交通大学 机械工程学院 西安 710049
2.西安交通大学 精密微纳制造技术全国重点实验室 西安 710054
3.西安交通大学第一附属医院 西安 710061
4.西安交通大学 国家医学攻关产教融合创新平台(中心) 西安 710049
通信作者:

徐光华,博士,教授,主要研究方向为脑机接口及康复机器人研究、生机电信号处理技术、网络化监测与智能诊断技术.E-mail:xugh@mail.xjtu.edu.cn.

作者简介:

刘旭阳,博士研究生,主要研究方向为可穿戴脑机接口.E-mail:liuxuyang@stu.xjtu.edu.cn.

李 辉,博士研究生,主要研究方向为SSVEP脑电解码.E-mail:hueylee@stu.xjtu.edu.cn.

第二十八届中国科协年会学术论文

收稿日期: 2026-05-12
资助项目: 国家自然科学基金面上项目(No.51775415)、科技创新2030-“脑科学与类脑研究”重大项目青年科学家项目(No.2022 ZD0209800)、陕西省重点研发计划项目(No.2025PT-ZCK-06)资助
摘要

稳态视觉诱发电位脑机接口(Steady-State Visual Evoked Potential-Based Brain-Computer Interfaces, SSVEP-BCI)凭借信噪比较高、训练成本较低、信息传输速率较快等优势,已成为非侵入式脑机接口的主流研究范式.相比传统同步控制模式,异步SSVEP-BCI摆脱固定时序约束,能适配自由、连续的自然人机交互场景,在实用化落地层面优势突出.文中从脑状态检测、脑电解码、异步脑控应用三个方面系统梳理异步SSVEP-BCI技术研究现状与发展方向.在脑状态检测与脑电解码两大核心技术层面,分析现有技术方案及其存在的局限性,重点剖析以脑电非线性动力学为理论基础的新型解码技术,介绍微弱脑电特征挖掘与强噪声干扰抑制的新思路.在异步脑控应用层面,列举异步SSVEP-BCI的多元化应用场景,并重点介绍脑控混合智能机器人系统.最后,总结当前异步SSVEP-BCI技术存在的瓶颈,指出通过非线性动力学建模解码、推进多智能技术融合是构建高性能、强鲁棒性异步脑机接口系统的发展方向.

关键词: 异步脑机接口; 稳态视觉诱发电位(SSVEP); 脑状态检测; 非线性动力学; 脑电解码; 人机交互
中图分类号:TP391.4;TN911.72;R318.04
Research on Asynchronous Steady-State Visual Evoked Potential Brain-Computer Interface Technology and Its Applications
LIU Xuyang1, LI Hui1, XU Guanghua1,2,3,4
1. School of Mechanical Engineering, Xi'an Jiaotong University, Xi'an 710049
2. State Key Laboratory for Manufacturing System Engineering, Xi'an Jiaotong University, Xi'an 710054
3. The First Affiliated Hospital of Xi'an Jiaotong University, Xi'an 710061
4. State Industry-Education Integration Center for Medical Innovations, Xi'an Jiaotong University, Xi'an 710049
Corresponding author:
XU Guanghua, Ph.D., professor. His research interests include brain-computer interfaces and rehabilitation robotics, biomechatronic signal processing, networked monitoring, and inte-lligent diagnosis.

About Author:
LIU Xuyang, Ph.D. candidate. His research interests include wearable brain-computer interfaces.
LI Hui, Ph.D. candidate. His research interests include SSVEP-based EEG decoding.

Academic Papers of the 28th Annual Meeting of the China Association for Science and Technology

Fund:General Program of National Natural Science Foundation of China(No.51775415), Science and Technology Innovation 2030-"Brain Science and Brain-Inspired Intelligence" Major Project of China(Young Scientists Program)(No.2022ZD0209800), Key Research and Development Project in Shaanxi Province(No.2025PT-ZCK-06)
Abstract

Steady-state visual evoked potential-based brain-computer interfaces (SSVEP-BCIs) are regarded as mainstream research paradigms among non-invasive brain-computer interfaces due to their high signal-to-noise ratio, low training cost, and high information transfer rate. Compared with traditional synchronous control modes, asynchronous SSVEP-BCIs are free from fixed timing constraints and are capable of adapting to free, continuous and natural human-computer interaction scenarios, offering outstanding advantages for real-world deployment. In this paper, the research status and development of asynchronous SSVEP-BCI technology are systematically reviewed from three perspectives: brain-state detection, electroencephalogram (EEG) decoding, and asynchronous brain-controlled applications. In the two core technical areas of brain state detection and EEG decoding, the existing technical solutions and their limitations are analyzed. New decoding techniques based on EEG nonlinear dynamics are discussed in detail. New approaches for weak EEG feature extraction and the suppression of strong noise are introduced. In terms of application, diverse application scenarios of asynchronous SSVEP-BCIs are presented. Brain-controlled hybrid intelligent robotic systems are highlighted. Finally, current bottlenecks in asynchronous SSVEP-BCI technology are summarized. It is pointed out that nonlinear dynamics modeling and decoding, together with the integration of multiple intelligent technologies, are the development directions for constructing high-performance and robust asynchronous BCIs.

Key words: Key Words Asynchronous Brain-Computer Interface; Steady-State Visual Evoked Potential(SSVEP); Brain-State Detection; Nonlinear Dynamics; Electroencephalogram Decoding; Human-Computer Interaction

脑-机接口(Brain-Computer Interface, BCI)是在大脑和外部设备之间建立的不依赖外周神经和肌肉系统的直接信息通路, 它允许患有严重运动功能障碍或交流困难的患者控制外部设备并与其进行交互[1].依据获取神经信号方式的不同, 脑机接口可分为侵入式与非侵入式[2], 其中基于脑电(Electroencephalogram, EEG)的非侵入式BCI因其安全性高、成本低及时间分辨率优良等特点, 已成为当前研究与应用的重要技术路径之一[3].在应用层面, EEG-BCI不仅在神经疾病诊断与意识评估中发挥作用, 还在康复训练及智能交互等领域展现出重要潜力.从信号诱发机制来看, EEG-BCI主要包括事件相关电位(Event-Related Potential, ERP)、运动想象(Motor Imagery, MI)及稳态视觉诱发电位(Steady State Visual Evoked Potential, SSVEP)等典型范式[4].其中, SSVEP通过周期性视觉刺激, 在枕叶皮层诱发与刺激频率及其谐波一致的稳态响应, 具有信噪比高、无需长时间训练及信息传输速率快等优势, 在拼写训练、设备控制等任务中表现突出[4, 5].因此, 基于SSVEP的人机交互系统已成为实现高性能BCI的重要技术路线.

根据用户的自主性差异, 脑机接口可分为同步系统和异步系统[6].在同步SSVEP-BCI中, 用户必须严格遵循预定义的时间线与试验同步开始操作(包括启动和停止), 限制用户自发控制的时间自由度, 难以满足自然、流畅的人机交互需求.相比之下, 在异步SSVEP-BCI中, 系统检测用户的意念控制状态(Intentional Control State, IC)或非意图控制状态(Non-intentional Control State, NC), 提供更随意和自然的控制, 用户能根据自己的判断自由操作, 实现真正意义上的“ 自主控制机器” .

实现异步SSVEP-BCI的关键在于脑状态检测与意念解码.脑状态评判是实现自主交互的前提, 核心任务是从连续EEG信号中区分控制态与空闲态, 存在单步法和多步法两种实现方式.早期研究多采用单步法, 即不显式区分控制态与空闲态, 而是将空闲态视为控制态的子状态, 通过一次分类直接完成控制意图检测与目标识别[7].该类方法主要基于典型相关分析(Canonical Correlation Analysis, CCA)系数比值或差分构建判别阈值[7, 8, 9], 随后逐渐引入支持向量机(SVM)、线性判别分析(Linear Discriminant Analysis, LDA)等机器学习方法, 通过多特征联合学习实现状态自主判别.单步法虽然具有流程简单、实时性高等优点, 但由于空闲态脑电信号具有较强的非线性与随机性, 仅将其视为控制态子状态难以充分表征真实脑状态差异, 因此该类方法往往难以获得稳定检测效果, 多数仍依赖经验阈值设定.此外, Yang等[6]提出STE-MW(Spatio-Temporal Equalization Multi-window Algorithm), 不再单独建立空闲态分类模型, 通过多个重叠时间窗口截取不同长度的EEG信号, 并结合统计检验与贝叶斯风险决策判断当前信号是否应被接受为有效控制状态, 为多目标异步SSVEP-BCI提供一种轻量化的拒绝决策思路.

相比之下, 多步法首先判别脑控状态, 再对控制态信号完成目标解码, 将异步检测与目标识别分阶段实现, 并形成两类典型框架.一类引入外部触发机制, 实现状态切换[10, 11, 12], 通常为脑开关或多模态信号, 如眼电信号(Electrooculography, EOG)[13, 14]、眼动追踪[15]、肌电信号(Electromyography, EMG)[16]、P300[17, 18]事件相关电位、运动想象(MI)[19]、呼吸信号[20]等外部触发机制实现状态切换.另一类直接依赖EEG信号自身特征进行自主检测:部分方法基于PSD(Power Spectral Density)[21], 利用控制态下SS- VEP频谱响应增强的特点实现控制态与空闲态的区分, 并结合异步开关机制实现自主状态切换; 另一些方法引入SVM等机器学习算法, 将脑状态判别独立于目标识别阶段, 提升系统稳定性与鲁棒性.相比单步法, 多步法能分别优化脑状态检测与目标解码, 已成为当前异步SSVEP-BCI系统的主流实现范式.

脑电解码的研究重点在于从低信噪比EEG信号中提取稳定且判别性强的特征, 并实现可靠分类.针对SSVEP信号, 相关研究大致经历从频域特征提取、结合空间滤波的特征增强, 再到利用数据驱动的无监督或弱监督建模策略的发展, 探索过程中不断提升对信号结构信息的利用效率, 但在异步场景及复杂噪声条件下, 仍受限于线性建模框架, 对弱特征及非平稳特性的刻画能力不足.近年来, 研究者开始引入非线性分析方法, 充分利用脑电信号的复杂动力学特征, 提升解码的鲁棒性与灵敏度.这些方法为解决异步场景中短时、低信噪比信号解码问题提供新的技术路径.

在应用层面, SSVEP-BCI已在拼写系统、脑控轮椅、假肢控制及移动机器人等场景中得到广泛探索.然而, 多数传统脑控系统仍基于同步模式构建, 限制其在真实环境中的应用效果.随着异步SSVEP-BCI技术的发展, 基于连续控制的人机交互系统逐渐成为研究热点.

综上所述, 异步SSVEP-BCI通过提升交互自主性与系统控制连续性, 为BCI的实用化提供关键支撑.本文在上述背景下, 分析与讨论异步SSVEP-BCI的脑状态检测、SSVEP信号解码技术及系统应用三方面研究进展, 有助于后期突破现有技术瓶颈, 构建高性能强鲁棒性脑控交互系统.

1 脑状态检测

脑状态检测是异步SSVEP-BCI中的关键环节, 核心是在连续脑电信号中准确区分用户处于控制状态或空闲状态.相比同步系统中依赖预定义时间窗口的信号解码, 异步场景缺乏显式触发标记, 使该问题转化为低信噪比条件下的实时脑状态判别任务, 性能直接影响系统的误触发率与交互可靠性.

现有异步SSVEP-BCI脑状态检测方法大体可归纳为2类.1)基于阈值判别的策略, 对SSVEP响应的相关性或频域响应强度设定判别标准.Xia等[9]将基于典型相关分析(CCA)系数的阈值与滑动窗口策略结合, 实现一个四目标异步SSVEP-BCI系统.Chen等[22]构建基于高频SSVEP的状态切换界面, 利用MtCCA-TRCA(Multi-template Algorithm Based on Canonical Correlation Analysis and Task-Related Component Analysis)解码脑电信号, 并结合动态窗方法和阈值策略进行判决, 增强现实环境下机械臂的异步控制.Cecotti等[23]基于PCA空间滤波与概率阈值判决实现对控制态信号的识别.后续研究虽在阈值构造上有所改进[24, 25, 26], 但本质上均属于基于响应强度的判别机制.2)基于特征学习与模式识别的方法, 通过对SSVEP信号进行空间滤波或特征变换, 并利用聚类或分类模型实现状态区分.Poryzala等[27]结合空间滤波, 对CCA系数进行聚类分析, 实现控制态检测方法并提高脑控状态检测速度和检测精度.Friman等[28]提出基于广义特征值分解的空间滤波方法, 最大化SSVEP频率子空间与非SSVEP子空间之间的能量比, 提取高信噪比空间特征, 实现脑状态检测.Suefusa等[29]采用频率-相位混合编码视觉刺激, 结合多集典型相关分析(Multiset Canonical Correlation Analysis, MCCA)与SVM, 实现对控制态和空闲态及目标指令的识别.

需要指出的是, 上述两类方法的划分主要基于其核心状态判别机制, 实际研究中部分方法在特征提取与决策建模层面存在一定交叉与融合.Wang等[30]进一步融合振荡成分的基频及谐波功率特征与非周期1/f成分的斜率、截距特征, 用于异步SSVEP-BCI中的控制态与空闲态识别, 相比仅使用振荡特征的方法, 取得更高的识别准确率.张洪欣等[31]提出面向SSVEP-BCI的最大后验准则异步检测算法, 在空-时均衡多窗方法基础上引入最大后验准则(Maximum a Posteriori, MAP), 并结合序贯检测和动态时间窗策略, 提高控制态判别的准确性, 降低系统虚警率.丛艳平等[32]从注意力状态与控制意图之间的关系出发, 提出融合注意力检测和意图识别的异步脑控方法, 通过决策层融合提高控制态与非控制态的区分能力.

现有脑状态检测方法主要依赖SSVEP响应强度、相关系数、频域能量、空间滤波特征或浅层分类模型, 能在一定程度上实现控制态与空闲态的区分.然而, 异步场景下EEG信号连续变化且缺乏明确触发标记, 空闲态脑电活动具有更强的随机性和非平稳性, 弱控制意图下的SSVEP响应也容易受到背景脑电和外界噪声干扰.因此, 传统检测方法基于线性相关、频谱能量或人工特征, 对复杂脑状态和非线性动力学特征的表征仍显不足.在异步场景中, 这种建模局限可能导致对弱响应及复杂脑状态的表征能力受限.

徐光华等[33]提出用于SSVEP信号异步控制态判别的方法, 挖掘更具判别性的信号特征, 提升脑状态检测的鲁棒性与整体性能.

现有异步SSVEP-BCI脑状态检测方法的详细信息如表1所示.

表1 异步SSVEP-BCI脑状态检测方法详细信息 Table 1 Details of brain-state detection methods in asynchronous SSVEP-BCIs

递归图(Recurrence Plot, RP)作为一种非线性方法, 能深入挖掘非线性动力学系统输出响应, 表征时间序列中的线性特性与非线性特性, 衡量不同脑状态下的脑电信号响应特性.在异步SSVEP-BCI系统中, 大脑作为一个非线性动力学系统, 当没有外部刺激诱发或人眼收到周期性视觉刺激时, 脑状态不同, 脑电信号线性响应特性与非线性响应特性也因此发生明显改变, 因此, 使用递归图探究脑控状态的响应特性及识别异步控制态具备充分的可行性.

然而, 传统递归图方法应用在异步BCI时, 构建过程依赖节点间欧氏距离计算及阈值设定, 计算复杂度较高, 难以满足实时处理需求, 同时阈值的选择直接影响最终结果.针对上述问题, 本课题组徐光华等[33]在递归图框架下引入排序机制, 提出用于SSVEP信号异步控制态判别的方法, 对相空间重构后的多维向量独立进行冒泡排序操作, 选择冒泡排序次数相同的节点进行连边构建, 从而消除传统方法中阈值的设定, 取消节点间距离计算, 优化递归图计算复杂度.具体冒泡递归图构建过程如图1所示.

图1 冒泡递归图构建过程Fig.1 Construction procedure of bubble recurrence plot

在1 000 Hz采样频率, 2 000个时间点条件下, 空闲态SSVEP、控制态SSVEP、正弦信号、正弦信号及二次谐波、随机信号的冒泡递归图如图2所示.由图可见, 控制态SSVEP信号的冒泡递归图与正弦周期信号的冒泡递归图更接近, 整体呈现周期性和规律性, 但控制态SSVEP信号的冒泡递归图的少部分区域会出现一定的无序性, 这种无序性相比正弦信号叠加二次谐波信号的冒泡递归图又有所不同, 前者呈现更明显的随机性, 这也意味着大脑处理视觉信息的过程并非是完全线性的.即使是输入某个恒定频率的视觉刺激, 大脑响应也并不只是简单的线性同频率响应或基频叠加谐波响应, 而是包含更复杂的动态模式.因此, 控制态SSVEP信号响应中既存在线性响应特性, 又含有一定比例的非线性响应特性.

图2 不同信号的冒泡递归图Fig.2 Bubble recurrence plots of different signals

空闲态SSVEP信号的冒泡递归图与随机信号的冒泡递归图更接近, 整体呈现无序性和随机性, 包含更多的随机成分, 因此与控制态SSVEP信号的冒泡递归图差异较大.这是因为在没有外部视觉刺激的情况下, 大脑本身就是一个非线性动力学系统, 因此呈现更自由的状态, 含有的非线性响应成分更多.但是, 在图像的部分区域也表现出局部的周期性和规律性, 这说明空闲态SSVEP信号响应同样是线性响应与非线性响应的叠加.

经过上述分析可知, 控制态SSVEP信号与空闲态SSVEP信号均是由线性响应和非线性响应组成, 而空闲态SSVEP信号包含的非线性响应成分显著高于控制态SSVEP信号, 因此并不能简单地将空闲态SSVEP信号也视作一种控制态SSVEP信号的子状态进行分类.综合两种脑状态下的响应特性分析表明, 传统模式只采用线性方法, 通过提取线性特征实现对异步SSVEP脑控状态的判别, 结果是只利用脑状态响应中的线性响应部分, 而未利用其中的非线性响应部分, 尤其是对于非线性响应部分占比较高的空闲态SSVEP信号, 这种处理方式是不充分的.通过构建冒泡递归图, 可从图像上直观反映两种脑状态下信号的线性响应特性与非线性响应特性差异, 因此, 结合冒泡递归图, 可提取更复杂的非线性特征, 综合表征两种脑控状态下的线性响应和非线性响应.

用于SSVEP信号异步控制态判别的方法架构如图3所示.使用二分类支持向量机作为特征分类器, 同时为了解决多源综合特征表征非线性复杂脑状态、特征优化筛选困难的问题, 基于遗传算法对冒泡递归图量化特征进行优化筛选, 最终选择确定性、平均对角线长度和平均度这3个最优特征进行脑状态判别.

图3 用于SSVEP信号异步控制态判别的方法架构图Fig.3 Asynchronous SSVEP brain-control state discrimination method based on bubble recurrence plots

徐光华等[33]以脑控轮椅应用作为真实应用场景, 采集被试数据, 验证得到该方法的脑控状态识别平均准确率超过90%.

2 脑电解码

在异步SSVEP-BCI中, 脑电解码的核心任务是从脑电信号中准确识别用户意图, 即识别用户注视目标对应的刺激频率.近年来SSVEP解码方法不断迭代更新, 显著提升解码性能[34].

早期方法主要基于单通道频域分析, 通过快速傅里叶变换提取功率谱密度并检测频谱峰值, 实现目标识别[24].该类方法实现简单、计算开销较低, 但难以利用多通道空间信息, 在短时间窗和复杂噪声环境下性能受限[35].

之后, 基于典型相关分析(CCA)的多通道解码方法[36]被引入异步SSVEP-BCI, 通过空间滤波提取空间特征, 将多通道信号转换为高信噪比的单通道信号, 成为SSVEP解码的基准算法.此后, 基于CCA空间滤波解码改进的无校准方法和有校准解码方法迅速发展, 包括IT-CCA(Individual Template-Based CCA)[37]、Multiway CCA[38]、MsetCCA(Multi-set CCA)[39]、p-CCA(Phase Constrained CCA)[40]、FB- CCA(Filter Bank CCA)[41]、TRCA(Task-Related Component Analysis)[42]等.进一步地, 研究者开始探索基于任务相关空间滤波的解码框架, 提出多种TRCA改进方法, 包括:eTRCA(Ensemble TRCA)[42]、scTRCA(Similarity-Constrained TRCA)[43]、TDCA(Task-Discriminant Component Analysis)[44].TDCA在最大化试次间一致性的基础上进一步增强类别间可分性, 在个体校准场景中识别性能更优.这些方法从不同角度拓展CCA, 提升频率识别精度与信噪比, 但整体上仍属于线性空间滤波框架.

随着机器学习与深度学习技术的发展, 数据驱动方法也被引入SSVEP信号建模, 如EEGNet[45]、FB-tCNN(Filter Bank Time-Domain-Based Convolu-tional Neural Network)[46]、SiamCA(Siamese Corre-lation Analysis Model)[47]、SSVEPNet(SSVEP Deep Learning Network)[48]、TFA-Net(Time-Frequency Atten- tion Network)[49].这些解码方法的发展显著提升SSVEP解码的性能.

为了缓解小样本EEG数据容易导致深度模型过拟合的问题, Ding等[50]提出EEG-ME(EEG Mask Encoding), 随机遮蔽部分EEG信号, 促使模型学习更鲁棒的特征, 并在CNN-Former(Convolutional Neural Networks with Transformer)、tCNN(Time-Domain-Based Convolutional Neural Networks)和EEG- Net等异步SSVEP分类模型中提升分类性能.

然而, 这类方法通常依赖大规模标注数据进行训练, 校准成本较高, 在异步BCI的实际部署中仍面临挑战.其次, 如何在强噪声、短信号条件下实现稳定可靠的SSVEP解码, 仍是当前研究的关键问题之一.

针对上述挑战, 近年来作者课题组从非线性动力学建模、随机过程建模、短信号表征等角度探索新的解码机制, 分别提出基于混沌理论提取视觉诱发电位特征的方法[51]、CCA-USSR(Feature Enhance-ment for SSVEP Using Canonical Correlation Analysis and Underdamped Second-Order Stochastic Reso-nance)[52]、FBUSSR(Filter Bank Second-Order Under- damped Stochastic Resonance)[53]、SE-CCA(Cano- nical Correlation Analysis Based on Signal Exten- sion)[54], 提升对弱特征的表征能力和解码性能.

上述解码方法对比如表2所示.

表2 SSVEP-BCI解码方法对比 Table 2 Comparison of decoding methods for SSVEP-BCI
2.1 基于混沌理论提取视觉诱发电位特征的方法

SSVEP脑电信号极其微弱, 容易受到多尺度背景脑电活动和强噪声的干扰.现有的分类算法基于模板匹配和空间滤波, 在弱特征提取方面存在明显局限, 特别是在脑电表征中对外界刺激反应较弱的受试者, 即脑机接口文盲受试者.

为此, 本课题组Zhang等[51]提出基于混沌理论提取视觉诱发电位特征的方法, 从非线性动力学角度实现对弱脑电信号的鲁棒检测, 具体框图如图4所示.

图4 基于混沌理论提取视觉诱发电位特征的方法框架图[51]Fig.4 Framework for feature extraction method of visual evoked potentials based on chaos theory[51]

动力学系统从混沌状态到大尺度周期状态的相变图如图5所示.基于混沌理论提取视觉诱发电位特征的方法原理是利用非线性动力学系统的特性, 判断加入弱脑电后混沌系统的状态变化以检测SSVEP的特征.方法以Duffing混沌系统为核心, 搭建非线性动力学方程, 将输入EEG信号作为扰动引入系统, 并利用处于临界混沌状态的Duffing系统在受到目标频率微弱周期信号扰动时产生的状态转变, 将SSVEP频率识别问题转化为系统状态判别问题.具体而言, 绘制动力学系统从混沌态到大尺度周期态的分岔图(图6), 精准确定系统相变的临界参数, 据此将系统精准调试至临界混沌状态, 在此条件下, 微弱的SSVEP信号可诱导系统由混沌态向大尺度周期态转变, 实现对目标频率成分的检测.

图5 动力学系统从混沌状态到大尺度周期状态的相变图[51]Fig.5 Phase transition diagram of a dynamical system from a chaotic state to a large-scale periodic state[51]

图6 动力学系统从混沌态到大尺度周期态的分岔图[51]Fig.6 Bifurcation diagram of dynamical system from a chaotic state to a large-scale periodic state[51]

在具体实现上, 为了充分利用多通道EEG信号的优点, 同时满足混沌计算的要求, 采用常见的公共平均参考对多通道EEG信号进行降维处理, 选取Oz通道信号作为目标通道, 适配混沌系统单信号输入的检测要求.进一步的研究发现, 在混沌状态下频谱主峰两侧的数据表现出不对称性, 而在周期状态下, 无论是否受到噪声的影响, 频谱主峰两侧的数据都表现出对称性.基于此提出SSCS(Spectrum Sy-mmetry of Chaotic System):通过数值求解Duffing方程, 结合频谱主峰两侧能量比值, 依据混沌态频谱不对称、周期态频谱对称的特性, 快速判定系统状态.最终遍历预设的刺激频率标签, 并监测系统状态变化, 完成目标识别.

实验表明, 在低信噪比条件下, 基于混沌理论提取视觉诱发电位特征的方法鲁棒性较优.在SNR=0.25时, CCA、MSI(Multivariate Synchronization Index)及FBCCA的平均准确率不到40%, 而该方法准确率为79.50%± 4.64%, 表明方法对强噪声环境及弱SSVEP响应的良好适应能力, 可有效突破线性建模在弱特征提取中的局限, 为异步SSVEP解码提供一种新的非线性实现思路.

2.2 CCA-USSR和FBUSSR

与混沌方法通过系统状态突变反映微弱信号不同, 随机共振利用噪声与信号之间的协同作用, 在特定条件下实现对弱周期成分的强化及强弱特征的可检测性, 颠覆传统关于噪声的负面观点.本课题组Chen等提出CCA-USSR[52]和FBUSSR[53], 为低信噪比条件下的SSVEP解码提供另一类非线性实现思路.

两种方法都基于USSR(Underdamped Second-Order Stochastic Resonance), 利用非线性系统中噪声与信号的协同作用, 将SSVEP频率识别问题转化为非线性系统响应增强问题.相比传统随机共振模型, USSR引入惯性项与阻尼因子, 能在强噪声背景下更有效突出周期信号的特征频率, 从而实现类似“ 二次滤波” 的特征增强效果.同时根据不同范式诱发的SSVEP信号频谱特性, 提出如下两种解码方法.1)采用恒定亮度的连续运动棋盘格刺激, 避免光闪烁刺激或亮度调制带来的不适感, 针对基频成分明显、谐波较少的特点, 构建最大相关投影与随机共振相结合的CCA-USSR.2)针对光闪烁SSVEP谐波丰富且易受非线性干扰的特点, 提出融合滤波器组分析的FBUSSR, 在多子频带内协同增强目标频率及其谐波成分.

CCA-USSR流程图如图7所示.首先, 通过Maxi-mum Correlation Coefficient将多通道EEG融合为一维信号, 满足随机共振模型的输入要求.然后, 利用数值方法求解USSR非线性动力学方程, 使系统在特定的噪声水平下达到最佳共振状态, 在这种状态下, 原本不易区分的棋盘格信号基频特征会变得更明显, 从而实现利用USSR有效增强目标频率的幅值的目的, 最终结合功率谱密度或CCA完成频率识别.多被试脑电实验表明, CCA-USSR能有效挖掘频谱特征, 实现高信息传输率, 满足实时BCI检测的需求.

图7 CCA-USSR流程图[52]Fig.7 Flowchart of CCA-USSR[52]

FBUSSR流程图如图8所示, 在预处理阶段引入滤波器组, 对原始信号进行子频带分解.在各子频带内分别采用Maximum Correlation Coefficient进行时间序列融合, 并结合USSR实现目标频率及其谐波成分的协同增强.最后通过同步索引指数等方法融合多子频带结果, 实现短时SSVEP信号的频率判别.FBUSSR在短时SSVEP分类准确率上显著优于传统空间滤波方法, 展现其在实时SSVEP-BCI检测应用中的潜力.

图8 FBUSSR流程图[53]Fig.8 Flowchart of FBUSSR[53]

2.3 SE-CCA

SSVEP信号长度是影响SSVEP-BCI性能的关键因素之一.具体来说, SSVEP解码准确率高度依赖信号长度, 而获取较长的SSVEP信号则严重影响系统的响应速度[55, 56].为了实现响应速度与解码精度协同最优, 本课题组Li等[54]提出SE-CCA, 建立SSVEP信号可恢复的跨频稳定表征机制, 实现在不增加采集时长的条件下对短信号进行高保真延拓, 将短时弱判别特征映射为长时稳态响应表征, 提升短时窗信号的解码可靠性.

具体地, 利用时频联合表征对不同频率信号进行联合建模, 突出跨刺激频率共享的周期性任务相关成分.

因此, 利用DP-MAFD(Multi-channel Adaptive Fou-rier Decomposition with Different Phase)[57]对多刺激频率SSVEP信号进行联合分解, 获取可表征SSVEP信号的关键参数, 再对目标频率信号进行重构, 并通过时间平移实现信号延拓, 生成与原始信号具有一致频谱结构但长度更长的延拓信号.这一过程如图9所示.

图9 SE-CCA短信号延拓过程[54]Fig.9 Short-time SSVEP signal extension process based on SE-CCA[54]

延拓后的信号在保持节律一致性的同时可实现信噪比的有效提升.对于待测信号, 在每个候选刺激频率处进行延拓, 基于同模匹配增强原理, 延拓部分信号与原始信号频谱特征一致, 增强整体信号特征, 反之则削弱整体信号特征, 最后基于CCA完成对延拓后SSVEP信号的识别与分类.其过程如图10所示.

图10 CCA解码框架及同模匹配增强机制[54]Fig.10 CCA decoding framework and its same-mode matching enhancement mechanism[54]

实验表明, 延拓信号在时域与频域上均与真实长时信号保持高度一致性, 信噪比得到明显提升, 同时, SE-CCA在短时间窗下的识别准确率与信息传输率均较优, 为高性能异步SSVEP-BCI解码提供新的思路.

3 异步脑控应用
3.1 异步SSVEP-BCI典型应用

异步SSVEP-BCI打破同步范式严苛的时序约束, 构建自由、主动的人机交互模式, 凭借灵活可控的交互特性衍生出多元化典型应用场景.在日常辅助交互领域, 脑控拼字系统[58, 59, 60, 61, 62]依托异步交互逻辑, 允许用户依照自身思维节奏自主把控字符输入的启停状态, 大幅提升文字输入的自然度与适配性.智能轮椅[63, 64, 65, 66]可实时采集、解析使用者脑电意图, 快速响应运动控制指令, 适配复杂通行环境下的自主调控需求.依托这种独特的“ 按需触发” 交互优势, 异步SSVEP-BCI的应用边界持续拓宽, 从基础信息通信工具逐步延伸至环境控制领域, 实现灯光、电视等家用电气设备及电梯等公共基础设施的智能化管控[67, 68, 69].随着信号解析算法与控制策略的迭代优化, 异步SSVEP-BCI技术进一步落地高端应用场景, 目前已成功应用于特种作业机器人、机械臂等, 同时适配上肢、踝关节康复医疗设备, 为运动功能障碍人群提供精准的康复训练辅助[70, 71, 72, 73, 74, 75].异步SSVEP-BCI的交互定位已突破传统基础指令传输的浅层应用范畴, 致力于在动态复杂的真实环境中构建高精度、高适配性的人机共生交互体系.典型应用对比如表3所示.

表3 异步SSVEP-BCI典型应用对比 Table 3 Comparison of typical applications of asynchronous SSVEP-BCI

当下, 人工智能、具身智能、机器人智能等前沿技术高速迭代, 为脑机接口技术升级赋能, 最终推动异步SSVEP-BCI与多类先进智能技术深度融合.依托人工智能算法优化意图识别能力, 借助具身智能赋予机器人环境感知、自主决策与自适应运动的能力, 结合机器人智能完成机械结构的精准执行, 同时依托脑机接口搭建人脑与智能设备的信息互通桥梁, 构建人脑、智能算法、机器人一体化的协同架构.该融合模式能兼顾人脑的决策思维优势与智能设备的算力、执行优势, 弥补单一自动化设备灵活性不足、人脑操控负荷过大的短板, 实现人脑-机器-智能算法高效的人机协同.其核心逻辑是使用前沿智能技术解放人类, 彻底摆脱传统操控的繁琐束缚, 回归人机交互的本质— — 让技术服务于人, 而非让人适配技术.因此, 深度融合前沿技术将成为异步SSVEP-BCI领域未来核心发展方向之一.

3.2 脑控混合智能机器人系统

本课题组构建脑控混合智能机器人系统, 致力于构建脑机接口与具身智能深度融合的一体化智能交互平台.该系统将高阶认知决策任务交由人脑承担, 依托人脑强大的逻辑判断、主观意图感知与全局规划能力完成复杂思维决策任务; 将环境感知、自主导航、动态避障、精准运动执行等具备高重复性、高实时性、高精度要求的底层运动任务交由机器人本体智能系统自主完成.系统流程如图11所示.

图11 脑控混合智能机器人系统流程图Fig.11 Procedure of brain-controlled hybrid intelligent robot system

在该系统中, 人类摆脱传统操控模式中机械执行者的身份, 转变为统筹全局的高层决策者.基于异步SSVEP-BCI, 人脑不仅能实现机器人基础运动控制, 还可赋予机器人更高等级的自主权限.机器人依托内置智能传感器拓展感知能力, 可实现身份识别、智能跟随、手势交互、语音讲解、精细化自主运动等多元化智能功能.该模式充分规避人脑长时间高精度作业容易疲劳、机器缺乏主观决策能力的短板, 显著提升复杂工况下的作业效率与系统运行稳定性, 最大化发挥人脑认知决策与机器精准执行的优势.具体系统架构如图12所示.

图12 脑控混合智能机器人系统架构图Fig.12 Architecture of brain-controlled hybrid intelligent robot system

总之, 脑控混合智能机器人系统为意念交互与具身智能的融合应用提供典型实现方案, 有力推动脑机接口技术由实验室理论研究向工程化实用场景的落地, 最终达成人机优势互补、智能赋能、解放人力的应用目标.

4 结束语

异步SSVEP-BCI摆脱同步范式中外部触发时序的限制, 更符合自然、连续、主动的人机交互需求, 是推动脑机接口实用化的重要发展方向之一.通过对脑状态检测、脑电解码和典型应用的相关研究的梳理可看出, 异步SSVEP-BCI的关键不只是提高目标频率识别准确率, 更是如何在连续脑电信号中可靠区分控制态与空闲态, 并在低信噪比、短时间窗和复杂环境下实现稳定解码.

现有脑状态检测方法多依赖相关系数、频域能量或线性空间滤波特征, 实现简单, 但对脑电信号非线性动力学特征的表征不足, 容易受到弱响应、个体差异和噪声干扰影响.基于冒泡递归图等非线性分析方法能从动力学结构层面刻画控制态与空闲态之间信号差异, 为降低误触发、提升异步状态判别鲁棒性提供新的思路.在脑电解码方面, CCA、FBCCA、TRCA等线性空间滤波方法仍是主流技术, 但在短信号和强噪声条件下性能受限.混沌检测、随机共振增强和信号延拓等方法则为微弱SSVEP特征增强、噪声抑制和快速识别提供新的技术路径.

未来异步SSVEP-BCI研究应重点关注如下几个方向.1)建立更完善的评价体系, 在准确率之外还应重视误触发率、漏检率、检测延迟和长期稳定性.2)发展面向弱响应和复杂噪声环境的非线性特征建模与快速解码方法.3)降低算法校准成本, 提高跨被试、跨场景泛化能力.4)推动异步SSVEP-BCI与人工智能、具身智能、机器人智能和共享控制技术深度融合, 构建更安全、高效、自然的人机协同系统.总之, 非线性脑电特征挖掘与多智能技术融合将是异步SSVEP-BCI从实验室研究走向工程化、实用化场景的关键发展方向之一.

本文责任编委 吕宝粮

Recommended by Associate Editor LÜ Baoliang

参考文献
[1] WOLPAW J R, BIRBAUMER N, MCFARLAND D J, et al. Brain-Computer Interfaces for Communication and Control. Clinical Neurophysiology, 2002, 113(6): 767-791. [本文引用:1]
[2] NICOLAS-ALONSO L F, GOMEZ-GIL J. Brain Computer Interfaces, a Review. Sensors, 2012, 12(2): 1211-1279. [本文引用:1]
[3] RAMADAN R A, VASILAKOS A V. Brain Computer Interface: Con-trol Signals Review. Neurocomputing, 2017, 223: 26-44. [本文引用:1]
[4] ABIRI R, BORHANI S, SELLERS E W, et al. A Comprehensive Review of EEG-Based Brain-Computer Interface Paradigms. Journal of Neural Engineering, 2019, 16. DOI: 10.1088/1741-2552/aaf12e. [本文引用:2]
[5] OJHA M K, MUKUL M K. Detection of Target Frequency from SSVEP Signal Using Empirical Mode Decomposition for SSVEP Based BCI Inference System. Wireless Personal Communications, 2021, 116: 777-789. [本文引用:1]
[6] YANG C, YAN X Y, WANG Y J, et al. Spatio-Temporal Equalization Multi-window Algorithm for Asynchronous SSVEP-Based BCI. Journal of Neural Engineering, 2021, 18. DOI: 10.1088/1741-2552/ac127f. [本文引用:2]
[7] ABU-ALQUMSAN M, PEER A. Advancing the Detection of Steady-State Visual Evoked Potentials in Brain-Computer Interfaces. Journal of Neural Engineering, 2016, 13. DOI: 10.1088/1741-2560/13/3/036005. [本文引用:2]
[8] DA CRUZ J N, WAN F, WONG C M, et al. Adaptive Time-Window Length Based on Online Performance Measurement in SSVEP-Based BCIs. Neurocomputing, 2015, 149(A): 93-99. [本文引用:1]
[9] XIA B, LI X, XIE H, et al. Asynchronous Brain-Computer Interface Based on Steady-State Visual-Evoked Potential. Cognitive Computation, 2013, 5: 243-251. [本文引用:2]
[10] 许敏鹏, 王有良, 梅杰, 等. 非侵入式异步脑机接口技术研究综述. 信号处理, 2023, 39(8): 1386-1398.
(XU M P, WANG Y L, MEI J, et al. Review of Non-invasive Asynchronous Brain-Computer Interface Technology. Journal of Signal Processing, 2023, 39(8): 1386-1398.) [本文引用:1]
[11] 施文强, 肖晓琳, 刘爽, 等. 混合范式脑-机接口研究进展综述. 中国生物医学工程学报, 2022, 41(1): 73-85.
(SHI W Q, XIAO X L, LIU S, et al. A Review of Research Progress of Hybrid Brain-Computer Interface. Chinese Journal of Biomedical Engineering, 2022, 41(1): 73-85.) [本文引用:1]
[12] 雍颖琼, 张宏江, 程奇峰, 等. 混合脑机接口及其研究进展. 计算机测量与控制, 2020, 28(9): 9-13, 28.
(YONG Y Q, ZHANG H J, CHENG Q F, et al. Research Deve-lopment on Hybrid Brain-Computer Interface. Computer Measurement & Control, 2020, 28(9): 9-13, 28.) [本文引用:1]
[13] ERKAN E, AKBABA M. A Study on Performance Increasing in SSVEP Based BCI Application. Engineering Science and Techno-logy: An International Journal, 2018, 21(3): 421-427. [本文引用:1]
[14] ZHU Y L, LI Y, LU J L, et al. A Hybrid BCI Based on SSVEP and EOG for Robotic Arm Control. Frontiers in Neurorobotics, 2020, 14. DOI: 10.3389/fnbot.2020.583641. [本文引用:1]
[15] SUN J X, LIU Y D. A Hybrid Asynchronous Brain-Computer Interface Based on SSVEP and Eye-Tracking for Threatening Pedestrian Identification in Driving. Electronics, 2022, 11(19). DOI: 10.3390/electronics11193171. [本文引用:1]
[16] CHAI X K, ZHANG Z M, GUAN K, et al. A Hybrid BCI-Controlled Smart Home System Combining SSVEP and EMG for Individuals with Paralysis. Biomedical Signal Processing and Control, 2020, 56. DOI: 10.1016/j.bspc.2019.101687. [本文引用:1]
[17] LI Y Q, PAN J H, WANG F, et al. A Hybrid BCI System Combining P300 and SSVEP and Its Application to Wheelchair Control. IEEE Transactions on Biomedical Engineering, 2013, 60(11): 3156-3166. [本文引用:1]
[18] HUANG J Y, QIU L N, LIN Q M, et al. Hybrid Asynchronous Brain-Computer Interface for Yes/No Communication in Patients with Disorders of Consciousness. Journal of Neural Engineering, 2021, 18(5). DOI: 10.1088/1741-2552/abf00c. [本文引用:1]
[19] DUAN F, LIN D X, LI W Y, et al. Design of a Multimodal EEG-Based Hybrid BCI System with Visual Servo Module. IEEE Tran-sactions on Autonomous Mental Development, 2015, 7(4): 332-341. [本文引用:1]
[20] CHIANG C H, WON S M, ORSBORN A L, et al. Development of a Neural Interface for High-Definition, Long-Term Recording in Rodents and Nonhuman Primates. Science Translational Medicine, 2020, 12(538). DOI: 10.1126/scitranslmed.aay4682. [本文引用:1]
[21] DU J L, KE Y F, LIU P X, et al. A Two-Step Idle-State Detection Method for SSVEP BCI // Proc of the 41st Annual International Conference of the IEEE Engineering in Medicine and Biology Socie-ty. Washington, USA: IEEE, 2019: 3095-3098. [本文引用:1]
[22] CHEN L L, CHEN P F, ZHAO S K, et al. Adaptive Asynchronous Control System of Robotic Arm Based on Augmented Reality-Assisted Brain-Computer Interface. Journal of Neural Engineering, 2021, 18(6). DOI: 10.1088/1741-2552/ac3044. [本文引用:1]
[23] CECOTTI H. A Self-Paced and Calibration-Less SSVEP-Based Brain-Computer Interface Speller. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2010, 18(2): 127-133. [本文引用:1]
[24] DIEZ P F, MUT V A, PERONA E M A, et al. Asynchronous BCI Control Using High-Frequency SSVEP[J/OL]. [2026-04-23]. http://www.jneuroengrehab.com/content/8/1/39. [本文引用:2]
[25] PAN J H, LI Y Q, ZHANG R, et al. Discrimination Between Control and Idle States in Asynchronous SSVEP-Based Brain Switches: A Pseudo-Key-Based Approach. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2013, 21(3): 435-443. [本文引用:1]
[26] AJAMI S, MAHNAM A, ABOOTALEBI V. An Adaptive SSVEP-Based Brain-Computer Interface to Compensate Fatigue-Induced Decline of Performance in Practical Application. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2018, 26(11): 2200-2209. [本文引用:1]
[27] PORYZALA P, MATERKA A. Cluster Analysis of CCA Coefficients for Robust Detection of the Asynchronous SSVEPs in Brain-Computer Interfaces. Biomedical Signal Processing and Control, 2014, 10: 201-208. [本文引用:1]
[28] FRIMAN O, VOLOSYAK I, GRÄSER A. Multiple Channel Detection of Steady-State Visual Evoked Potentials for Brain-Computer Interfaces. IEEE Transactions on Biomedical Engineering, 2007, 54(4): 742-750. [本文引用:1]
[29] SUEFUSA K, TANAKA T. Asynchronous Brain-Computer Interfacing Based on Mixed-Coded Visual Stimuli. IEEE Transactions on Biomedical Engineering, 2018, 65(9): 2119-2129. [本文引用:1]
[30] WANG R, ZHOU T Y, LI Z, et al. Using Oscillatory and Aperiodic Neural Activity Features for Identifying Idle State in SSVEP-Based BCIs Reduces False Triggers. Journal of Neural Enginee-ring, 2023, 20(6). DOI: 10.1088/1741-2552/ad1054. [本文引用:1]
[31] 张洪欣, 王俊淞, 杨晨. 面向SSVEP-BCI的最大后验准则异步检测算法. 北京邮电大学学报, 2023, 46(6): 15-19.
(ZHANG H X, WANG J S, YANG C. An Asynchronous Detection Algorithm of SSVEP-BCI Based on Maximum Posterior Crite-rion. Journal of Beijing University of Posts and Telecommunications, 2023, 46(6): 15-19.) [本文引用:1]
[32] 丛艳平, 曹林林, 张伟, 等. 一种融合注意力检测和意图识别的异步脑控方法. 燕山大学学报, 2023, 47(2): 121-126.
(CONG Y P, CAO L L, ZHANG W, et al. An Asynchronous Brain-Computer Interface Method Fusing Attention Detection and Intention Recognition. Journal of Yanshan University, 2023, 47(2): 121-126.) [本文引用:1]
[33] 徐光华, 郭晓冰, 白淑文, 等.一种用于SSVEP信号异步控制态判别的方法: 中国, 202411309337. 2024 -12-17.
(XU G H, GUO X B, BAI S W , et al. A Method for Discrimina-ting Asynchronous Control States of SSVEP Signals: China. A Method for Discrimina-ting Asynchronous Control States of SSVEP Signals: China, CN202411309337. 2024-12-17.) [本文引用:3]
[34] 邱爽, 杨帮华, 陈小刚, 等. 非侵入式脑-机接口编解码技术研究进展. 中国图象图形学报, 2023, 28(6): 1543-1566.
(QIU S, YANG B H, CHEN X G, et al. A Survey on Encoding and Decoding Technology of Non-invasive Brain-Computer Interface. Journal of Image and Graphics, 2023, 28(6): 1543-1566.) [本文引用:1]
[35] HEIDARI H, EINALOU Z. SSVEP Extraction Applying Wavelet Transform and Decision Tree with Bays Classification. International Clinical Neuroscience Journal, 2017, 4(3): 91-97. [本文引用:1]
[36] LIN Z L, ZHANG C S, WU W, et al. Frequency Recognition Based on Canonical Correlation Analysis for SSVEP-Based BCIs. IEEE Transactions on Biomedical Engineering, 2006, 53(12): 2610-2614. [本文引用:1]
[37] BIN G Y, GAO X R, WANG Y J, et al. A High-Speed BCI Based on Code Modulation VEP. Journal of Neural Engineering, 2011, 8(2). DOI: 10.1088/1741-2560/8/2/025015. [本文引用:1]
[38] ZHANG Y, ZHOU G X, ZHAO Q B, et al. Multiway Canonical Correlation Analysis for Frequency Components Recognition in SSVEP-Based BCIs // Proc of the 18th International Conference on Neural Information Processing. Berlin, Germany: Springer, 2011: 287-295. [本文引用:1]
[39] JIAO Y, ZHANG Y, WANG Y, et al. A Novel Multilayer Correlation Maximization Model for Improving CCA-Based Frequency Re-cognition in SSVEP Brain-Computer Interface. International Journal of Neural Systems, 2017, 27(8). DOI: 10.1142/S0129065717500393. [本文引用:1]
[40] PAN J, GAO X R, DUAN F, et al. Enhancing the Classification Accuracy of Steady-State Visual Evoked Potential-Based Brain-Computer Interfaces Using Phase Constrained Canonical Correlation Analysis. Journal of Neural Engineering, 2011, 8(3). DOI: 10.1088/1741-2560/8/3/036027. [本文引用:1]
[41] CHEN X G, WANG Y J, GAO S K, et al. Filter Bank Canonical Correlation Analysis for Implementing a High-Speed SSVEP-Based Brain-Computer Interface. Journal of Neural Engineering, 2015, 12(4). DOI: 10.1088/1741-2560/12/4/046008. [本文引用:1]
[42] NAKANISHI M, WANG Y J, CHEN X G, et al. Enhancing Detection of SSVEPs for a High-Speed Brain Speller Using Task-Related Component Analysis. IEEE Transactions on Biomedical Engineering, 2018, 65(1): 104-112. [本文引用:2]
[43] SUN Q, CHEN M Y, ZHANG L, et al. Similarity-Constrained Task-Related Component Analysis for Enhancing SSVEP Detection. Journal of Neural Engineering, 2021, 18(4). DOI: 10.1088/1741-2552/abfdfa. [本文引用:1]
[44] LIU B C, CHEN X G, SHI N L, et al. Improving the Performance of Individually Calibrated SSVEP-BCI by Task-Discriminant Component Analysis. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2021, 29: 1998-2007. [本文引用:1]
[45] LAWHERN V J, SOLON A J, WAYTOWICH N R, et al. EEGNet: A Compact Convolutional Neural Network for EEG-Based Brain-Computer Interfaces. Journal of Neural Engineering, 2018, 15(5). DOI: 10.1088/1741-2552/aace8c. [本文引用:1]
[46] DING W L, SHAN J H, FANG B, et al. Filter Bank Convolutional Neural Network for Short Time-Window Steady-State Visual Evoked Potential Classification. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2021, 29: 2615-2624. [本文引用:1]
[47] ZHANG X Y, QIU S, GENG M H, et al. Enhancing Detection of SSVEPs for High-Speed Brain-Computer Interface with a Siamese Architecture // Proc of the IEEE International Conference on Bioinformatics and Biomedicine. Washington, USA: IEEE, 2021: 1623-1627. [本文引用:1]
[48] PAN Y D, CHEN J B, ZHANG Y S, et al. An Efficient CNN-LSTM Network with Spectral Normalization and Label Smoothing Technologies for SSVEP Frequency Recognition. Journal of Neural Engineering, 2022, 19(5). DOI: 10.1088/1741-2552/ac8dc5. [本文引用:1]
[49] XU L, JIANG X Y, WANG R M, et al. Decoding SSVEP via Ca-libration-Free TFA-Net: A Novel Network Using Time-Frequency Features. IEEE Journal of Biomedical and Health Informatics, 2025, 29(4): 2400-2412. [本文引用:1]
[50] DING W L, LIU A P, GUAN L, et al. A Novel Data Augmentation Approach Using Mask Encoding for Deep Learning-Based Asyn-chronous SSVEP-BCI. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2024, 32: 875-886. [本文引用:1]
[51] ZHANG K, XU G H, DU C H, et al. Weak Feature Extraction and Strong Noise Suppression for SSVEP-EEG Based on Chaotic Detection Technology. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2021, 29: 862-871. [本文引用:2]
[52] CHEN R Q, XU G H, ZHANG H Q, et al. A Novel Untrained SSVEP-EEG Feature Enhancement Method Using Canonical Correlation Analysis and Underdamped Second-Order Stochastic Resonance. Frontiers in Neuroscience, 2023, 17. DOI: 10.3389/fnins.2023.1246940. [本文引用:2]
[53] CHEN R Q, XU G H, ZHANG H Q, et al. Filter Bank Second-Order Underdamped Stochastic Resonance Analysis for Implementing a Short-Term High-Speed SSVEP Detection. NeuroImage, 2024, 285. DOI: 10.1016/j.neuroimage.2023.120501. [本文引用:2]
[54] LI H, XU G H, LI Z J, et al. A Precise Frequency Recognition Method of Short-Time SSVEP Signals Based on Signal Extension. IEEE Transactions on Neural Systems and Rehabilitation Enginee-ring, 2023, 31: 2486-2496. [本文引用:2]
[55] YAN W Q, WU Y C, DU C H, et al. Cross-Subject Spatial Filter Transfer Method for SSVEP-EEG Feature Recognition. Journal of Neural Engineering, 2022, 19(3). DOI: 10.1088/1741-2552/ac6b57. [本文引用:1]
[56] YAN W Q, DU C H, WU Y C, et al. SSVEP-EEG Denoising via Image Filtering Methods. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2021, 29: 1634-1643. [本文引用:1]
[57] WANG Z, WONG C M, ROSA A, et al. Stimulus-Stimulus Transfer Based on Time-Frequency-Joint Representation in SSVEP-Based BCIs. IEEE Transactions on Biomedical Engineering, 2023, 70(2): 603-615. [本文引用:1]
[58] NAKANISHI M, WANG Y J, WANG Y T, et al. A High-Speed Brain Speller Using Steady-State Visual Evoked Potentials. International Journal of Neural Systems, 2014, 24(6). DOI: 10.1142/S0129065714500191. [本文引用:1]
[59] CHEN X G, WANG Y J, NAKANISHI M, et al. Hybrid Frequency and Phase Coding for a High-Speed SSVEP-Based BCI Speller// Proc of the 36th Annual International Conference of the IEEE Engineering in Medicine and Biology Society. Washington, USA: IEEE, 2014: 3993-3996. [本文引用:1]
[60] YIN E W, ZEYL T, SAAB R, et al. A Hybrid Brain-Computer Interface Based on the Fusion of P300 and SSVEP Scores. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2015, 23(4): 693-701. [本文引用:1]
[61] 王忠民, 刘攀岩. 基于SSVEP的嵌入式中文输入系统. 西安邮电大学学报, 2022, 27(4): 74-79.
(WANG Z M, LIU P Y. Embedded Chinese Input System Based on SSVEP. Journal of Xi'an University of Posts and Telecommunications, 2022, 27(4): 74-79.) [本文引用:1]
[62] PREETHA S, SASIKALA M. Design of Asynchronous Low-Complexity SSVEP-Based Brain Control Interface Speller. Computers in Biology and Medicine, 2025, 190. DOI: 10.1016/j.compbiomed.2025.110062. [本文引用:1]
[63] MISTRY K S, PELAYO P, ANIL D G, et al. An SSVEP Based Brain Computer Interface System to Control Electric Wheelchairs // Proc of the IEEE International Instrumentation and Measurement Technology Conference. Washington, USA: IEEE, 2018. DOI: 10.1109/I2MTC.2018.8409632. [本文引用:1]
[64] TURNIP A, SOETRAPRAWATA D, TURNIP M, et al. EEG-Based Brain-Controlled Wheelchair with Four Different Stimuli Frequencies. Internetworking Indonesia Journal, 2016, 8(1): 65-69. [本文引用:1]
[65] LOPES A, RODRIGUES J, PERDIGAO J, et al. A New Hybrid Motion Planner: Applied in a Brain-Actuated Robotic Wheelchair. IEEE Robotics and Automation Magazine, 2016, 23(4): 82-93. [本文引用:1]
[66] MOULI S, PALANIAPPAN R, MOLEFI E, et al. In-Ear Electrode EEG for Practical SSVEP BCI. Technologies, 2020, 8(4). DOI: 10.3390/technologies8040063. [本文引用:1]
[67] GAO Q, ZHAO X W, YU X, et al. Controlling of Smart Home System Based on Brain-Computer Interface. Technology and Health Care, 2018, 26(5): 769-783. [本文引用:1]
[68] ADAMS M, BENDA M, SABOOR A, et al. Towards an SSVEP-BCI Controlled Smart Home // Proc of the IEEE International Conference on Systems, Man and Cybernetics. Washington, USA: IEEE, 2019: 2737-2742. [本文引用:1]
[69] SABOOR A, REZEIKA A, STAWICKI P, et al. SSVEP-Based BCI in a Smart Home Scenario // Proc of the 14th International Work-Conference on Artificial Neural Networks. Berlin, Germany: Springer, 2017: 474-485. [本文引用:1]
[70] SHAO L, ZHANG L Y, BELKACEM A N, et al. EEG-Controlled Wall-Crawling Cleaning Robot Using SSVEP-Based Brain-Computer Interface. Journal of Healthcare Engineering, 2020. DOI: 10.1155/2020/6968713. [本文引用:1]
[71] ZENG X F, ZHU G L, YUE L, et al. A Feasibility Study of SSVEP-Based Passive Training on an Ankle Rehabilitation Robot. Journal of Healthcare Engineering, 2017. DOI: 10.1155/2017/6819056. [本文引用:1]
[72] AI J K, MENG J J, MAI X M, et al. BCI Control of a Robotic Arm Based on SSVEP With Moving Stimuli for Reach and Grasp Tasks. IEEE Journal of Biomedical and Health Informatics, 2023, 27(8): 3818-3829. [本文引用:1]
[73] 谢平, 门延帝, 甄嘉乐, 等. 基于异步稳态视觉诱发电位的脑机融合“第三只手”. 生物医学工程学杂志, 2024, 41(4): 664-672.
(XIE P, MEN Y D, ZHEN J L, et al. The Supernumerary Robotic Limbs of Brain-Computer Interface Based on Asynchronous Steady-State Visual Evoked Potential. Journal of Biomedical Engineering, 2024, 41(4): 664-672.) [本文引用:1]
[74] 陈玲玲, 陈鹏飞, 谢良, 等. 增强现实场景下基于稳态视觉诱发电位的机械臂控制系统. 电子与信息学报, 2022, 44(2): 496-506.
(CHEN L L, CHEN P F, XIE L, et al. Control System of Robotic Arm Based on Steady-State Visual Evoked Potentials in Augmented Reality Scenarios. Journal of Electronics and Information Technology, 2022, 44(2): 496-506.) [本文引用:1]
[75] 李奇, 宗子彦, 武岩, 等. 混合现实场景下结合SSVEP与眼动追踪的脑控机械臂系统. 重庆理工大学学报(自然科学), 2024, 38(7): 93-100.
(LI Q, ZONG Z Y, WU Y, et al. Research on a Brain Controlled Robotic Arm System Combining SSVEP and Eye-Tracking in Mixed Reality Scenarios. Journal of Chongqing University of Technology(Natural Science), 2024, 38(7): 93-100.) [本文引用:1]