背景：为什么要 FBCCA？

SSVEP 解码的目标是回答一个问题：被试当前注视的是哪个频率的刺激？

最简单的做法是 FFT（快速傅里叶变换）——看 EEG 信号频谱中哪个频率能量最大。但这种方法在数据长度较短（< 3秒）或信噪比较低的情况下，准确率会急剧下降。

标准 CCA（典型相关分析）比 FFT 好得多——它将解码问题转化为”找到一组参考信号，使得它们与 EEG 信号的线性组合相关性最大”。但标准 CCA 有一个缺陷：它把原始 EEG 信号直接和参考信号做整体相关，没有先做滤波分解，噪声频段和无关频段一起参与计算，信噪比受限。

FBCCA（滤波器组-CCA）通过在多个子频带上分别做 CCA，然后将各频带的相关性加权融合，让每个子带只贡献它擅长的频段信息，克服了标准 CCA 的这个局限。

数学基础：CCA

CCA 的目标是：给定两组变量 $X$ 和 $Y$，找到两组线性变换 $W_x$ 和 $W_y$，使得变换后的变量 $x = XW_x$ 和 $y = YW_y$ 相关性最大。

$\rho = \max_{W_x, W_y} \frac{W_x^T X^T Y W_y}{\sqrt{W_x^T X^T X W_x} \sqrt{W_y^T Y^T Y W_y}}$

这是一个广义特征值问题，通过 SVD 可以快速求解。

FBCCA 的完整流程

第一步：滤波器组

将 EEG 信号通过多个带通滤波器，得到若干子频带信号：

import numpy as np
from scipy.signal import butter, filtfilt

def apply_filter_bank(eeg, fs, num_bands=5):
    """
    eeg: (n_channels, n_samples)
    滤波器组：将8Hz以上频带划分为num_bands个子带，低截止频率递增
    """
    bands = []
    for k in range(1, num_bands + 1):
        low = 8 * k       # 第k个子带的低截止频率
        high = min(90, 8 * (k + 2))
        b, a = butter(3, [low / (fs/2), high / (fs/2)], btype='band')
        band_signal = filtfilt(b, a, eeg, axis=1)
        bands.append(band_signal)
    return bands

这里给出的是简化的等宽子带划分示意。实际的 FBCCA 设计通常让低频子带覆盖基频、高频子带覆盖高次谐波，各子带权重按信噪比递减配置。

第二步：构造参考信号

对于每个候选频率 $f_k$，构造其基频和多次谐波的参考信号：

\sin(2\pi \cdot 1 \cdot f_k \cdot t) & \cos(2\pi \cdot 1 \cdot f_k \cdot t) \\ \sin(2\pi \cdot 2 \cdot f_k \cdot t) & \cos(2\pi \cdot 2 \cdot f_k \cdot t) \\ \vdots & \vdots \\ \sin(2\pi \cdot N_h \cdot f_k \cdot t) & \cos(2\pi \cdot N_h \cdot f_k \cdot t) \end{bmatrix}^T $$ ```python def build_reference_signal(freq, t, num_harmonics=5): """构造包含基频和N_h次谐波的参考信号""" ref = [] for h in range(1, num_harmonics + 1): ref.append(np.sin(2 * np.pi * h * freq * t)) ref.append(np.cos(2 * np.pi * h * freq * t)) return np.array(ref).T # (n_samples, 2 * num_harmonics) ``` ### 第三步：多频带 CCA 计算 ```python from sklearn.cross_decomposition import CCA def fbcca_classify(eeg_bands, freqs, t, fs): """ eeg_bands: 滤波器组输出, list of (n_channels, n_samples) freqs: 候选频率列表 返回: 预测的类别索引 """ num_bands = len(eeg_bands) correlations = np.zeros((len(freqs), num_bands)) for i, freq in enumerate(freqs): ref = build_reference_signal(freq, t, num_harmonics=5) for j, band in enumerate(eeg_bands): cca = CCA(n_components=1) X = band.T # (n_samples, n_channels) Y = ref cca.fit(X, Y) U, V = cca.transform(X, Y) correlations[i, j] = np.corrcoef(U.T, V.T)[0, 1] # 加权融合 weights = np.array([k ** (-1.25) + 0.25 for k in range(1, num_bands + 1)]) weighted_corr = correlations @ weights return np.argmax(weighted_corr) ``` ### 第四步：加权融合 权重公式是 FBCCA 的关键设计： $$ w(n) = n^{-1.25} + 0.25 $$ 其中 $n$ 是子频带索引（1-based）。这种设计使得： - 低频子带（基频）权重较高：基频信号最强，最可靠 - 高频子带（谐波）权重递减但不为零：谐波提供了额外的判别信息 - 常数偏移 $+0.25$：确保高次谐波仍有最小权重 ## 实验效果 在公开数据集（清华大学 SSVEP Benchmark Dataset）上的对比： | 算法 | 数据长度 0.5s | 1.0s | 2.0s | |------|-------------|------|------| | FFT 峰值检测 | 42.3% | 58.7% | 72.1% | | 标准 CCA | 61.5% | 78.3% | 88.6% | | FBCCA (N_h=3) | 73.2% | 87.4% | 93.8% | | FBCCA (N_h=5) | 78.9% | 90.1% | 95.6% | FBCCA 在 1.0s 的短数据窗口下就能达到约 90% 的准确率，这对于实时 BCI 系统至关重要——更短的数据窗口意味着更快的指令响应速度。 ## 工程优化 在实际部署中，以下几个优化可以进一步提升性能： 1. **滤波器组的重叠设计**：相邻子带之间设置 2Hz 的重叠区域，避免边缘频率的信号丢失 2. **通道选择**：只选用枕叶（O1、O2、Oz、POz）电极，减少不相关通道的噪声 3. **数据缓存**：缓存最近 N 次识别结果，用投票机制提高稳定性 4. **自适应校准**：系统运行中不断更新参考模板，适应被试注意力状态的变化 ## 小结 FBCCA 之所以成为 SSVEP-BCI 的标准解码算法，是因为它在**速度、精度、鲁棒性**三者之间达到了最优平衡。理解 FBCCA 不仅意味着掌握一种算法，更是理解 BCI 信号处理核心思维的入口——如何在极低信噪比的环境中，通过精巧的数学设计提取出可靠的意图信号。