SSVEP 脑机接口识别算法说明

本目录实现的是一个用于稳态视觉诱发电位（SSVEP, Steady-State Visual Evoked Potential）的目标频率识别程序。算法输入 EEG 脑电信号，输出每个 taskID 对应的刺激类别 stimID，取值范围为 0-7，对应刺激频率 [8, 9, 10, 11, 12, 13, 14, 15] Hz。

文件说明

• ssvepdetect.py：核心识别算法，包含滤波、参考模板构造、CCA/FBCCA 计算和分类逻辑。
• demo.py：数据读取、按 taskID 分组、调用识别器预测、生成结果文件。
• FinalResults/：整理后的最终预测结果。
• FinalResults.zip：最终结果压缩包。

技术栈

• Python 3.11
• NumPy：矩阵运算、数组处理、正余弦模板生成。
• SciPy Signal：50Hz 陷波滤波、椭圆带通滤波、零相位滤波 filtfilt。
• scikit-learn：使用 sklearn.cross_decomposition.CCA 做典型相关分析。
• CSV 标准库：读取 EEG 数据、写入预测结果。
• pathlib / re / sys：路径解析、文件批处理、命令行参数处理。

数据格式

输入 CSV 文件包含 8 列：

CP3, CPZ, CP4, PO3, POZ, PO4, taskID, stimID

说明：

• 前 6 列是 EEG 通道数据。
• taskID 是任务编号，正式数据中为 0-47，一共 48 个任务。
• stimID 是目标类别。示例数据中是真实标签；正式数据中为 -1，表示待预测答案。

程序不会把正式数据中的 stimID=-1 当作标签参与计算，也不会用它计算正确率。

核心算法

算法主体是 CCA/FBCCA 类型的 SSVEP 识别方法。

整体流程：

EEG数据
  -> 按 taskID 分组
  -> 取 6 个脑电通道
  -> 预处理滤波
  -> 构造每个刺激频率的正余弦谐波参考模板
  -> 计算 EEG 与每个频率模板的 CCA 相关系数
  -> 多频带加权融合
  -> 选择得分最高的频率类别作为预测 stimID

1. 按 taskID 分组

正式数据不能按固定行数简单切片，因为不同任务文件的采样长度不同：

• S1-S6：每个 taskID 有 750 个采样点，约 3 秒。
• S7-S12：每个 taskID 有 250 个采样点，约 1 秒。

因此 demo.py 中使用 taskID 分组：

task_data = data[task_ids == task_id]
epoch = task_data[:, :6].transpose()

这样可以保证每个 taskID=0..47 都单独预测一次。

2. 参考信号模板

对于每个刺激频率 f，构造正弦和余弦参考信号：

sin(2πfht), cos(2πfht)

其中：

• f 是刺激频率。
• h 是谐波阶数。
• t 是采样时间点。

完整 4 秒数据使用 5 阶谐波；短窗口正式数据使用 3 阶谐波。

3. 预处理滤波

预处理包含：

• 50Hz 工频陷波：去除电源干扰。
• 椭圆带通滤波：保留 SSVEP 相关频段。
• filtfilt 零相位滤波：避免普通滤波带来的相位偏移。

滤波器组使用 5 个子频带：

8-90 Hz
16-90 Hz
24-90 Hz
32-90 Hz
40-90 Hz

4. FBCCA 多频带融合

程序不是只在一个频带上做 CCA，而是使用 Filter Bank CCA（FBCCA）。

每个子频带都会计算一次 EEG 与模板的 CCA 相关系数 rho，然后进行加权融合：

score = Σ weight(m) * rho(m)^2

权重为：

weight(m) = m^(-1.25) + 0.25

最后选择 score 最大的频率索引作为预测类别。

5. 短窗口自适应策略

正式数据比示例数据短。为了提高短数据的判断准确率，算法对不同长度自动选择配置：

• 当采样点数等于完整窗口 1000 点时：

  • 使用全部 6 个通道：CP3, CPZ, CP4, PO3, POZ, PO4
  • 使用 5 阶谐波

• 当采样点数小于 1000 点时：

  • 只使用枕区通道：PO3, POZ, PO4
  • 使用 3 阶谐波

这样做的原因是 SSVEP 主要出现在视觉皮层附近，枕区通道通常信噪比更高。短窗口数据更容易被其他通道噪声干扰，因此短窗口采用枕区通道能提高稳定性。

运行方式

在 Demo 目录或上级目录运行：

C:/Python311/python.exe e:/Code/BCI-robot/脑机算法竞赛专用U盘资料/Demo/demo.py

默认处理：

数据C1/Task1/S1.csv

也可以指定单个文件：

C:/Python311/python.exe e:/Code/BCI-robot/脑机算法竞赛专用U盘资料/Demo/demo.py S7.csv

也可以指定整个正式数据目录进行批量处理：

C:/Python311/python.exe e:/Code/BCI-robot/脑机算法竞赛专用U盘资料/Demo/demo.py 数据C1

输出文件

单文件运行时：

• result.csv：最近一次单文件预测结果，容易被覆盖。
• S*_pred.csv：将原始数据最后一列 stimID 回填为预测值后的完整数据。

批量运行时：

• result_S1.csv 到 result_S12.csv：每个正式文件单独对应的 48 个预测值。
• result_all.csv：12 个正式文件的汇总结果，共 12 × 48 = 576 条。
• S1_pred.csv 到 S12_pred.csv：每个正式文件回填 stimID 后的完整数据。

整理后的最终文件位于：

FinalResults/

其中：

• FinalResults/result_all.csv：总预测表。
• FinalResults/by_file_results/：每个文件单独的结果表。
• FinalResults/filled_data/：回填答案后的完整 CSV。

验证结果

在带真实标签的示例数据上验证：

完整 1000 点窗口：
D1.csv 48/48
D2.csv 48/48
总计 96/96 = 100%

模拟正式短窗口时：

750 点窗口：
94/96 = 97.92%

250 点窗口：
80/96 = 83.33%

说明：

• 示例数据有真实标签，因此可以计算准确率。
• 正式数据的 stimID 全部为 -1，没有真实标签，因此不能计算真实提交准确率。
• 当前短窗口策略是在示例数据裁剪模拟中验证后采用的，用于提高正式短数据的预测稳定性。

注意事项

1. 不要用正式数据中的 stimID=-1 计算准确率。
2. 正式数据必须按 taskID 分组预测，不能按固定 1000 行切片。
3. result.csv 是临时文件，最终结果应优先使用 FinalResults/ 中整理好的文件。
4. 如果重新运行 demo.py，部分结果文件可能被覆盖；提交前建议重新检查 FinalResults/README.txt 和 result_all.csv。