Spatio-SpectralCCA（SS-CCA）：SSVEPベースのBCIにおける周波数認識のための新しいアプローチ

背景：定常状態視覚誘発電位（SSVEP）は、BCIドメインで最も重要なパラダイムの1つです。SSVEPベースのBCIの周波数を検出するための最良の方法の1つは、標準的な相関分析（CCA）があり、これは、脳波（EEG）と参照信号である2つの多次元変数間の標準相関を計算します。その効率と広範なアプリケーションにもかかわらず、CCAアルゴリズムにはいくつかの制限があります。CCAの主要な制限の1つは、信号の空間ドメイン情報のみを考慮することです。 新しい方法：信号の周波数を信号の別の重要な特徴として、空間ドメイン情報と周波数ドメイン情報の両方を組み合わせることで、周波数認識のパフォーマンスが大幅に向上する可能性があります。CCAアルゴリズムに関するいくつかの以前の研究は、そのパフォーマンスを改善する可能性がありますが、CCAアルゴリズムの制限に対処していません。この懸念に対処するために、現在の研究では、一般的なSpatioスペクトルパターン（CSSP）アルゴリズムからインスピレーションを受けたSpatioスペクトルCCA（SS-CCA）アルゴリズムを提示しました。SS-CCAアルゴリズムでは、空間情報と周波数情報を同時に最適化し、標準変数を取得するために、EEG信号に時間遅延を追加しました。したがって、相関係数の計算には、EEG信号からのより多くの情報が利用されます。 結果：最後に、フィルターバンクCCA（FBCCA）のベースモデルとして使用されるSS-CCAアルゴリズム、およびフィルターバンクSS-CCAアルゴリズムは、周波数認識パフォーマンスの向上に役立ちます。提案された方法を評価するために、35サブジェクトベンチマークデータセットが使用されました。提案されたアルゴリズムは、すべての被験者で平均精度98.33をもたらしました。 既存の方法との比較：当社の分類精度と情報転送率（ITR）の結果は、上記の方法のパフォーマンスがCCAと比較して改善されることを示しました。 結論：結論として、CCAの代わりに提案されたSS-CCAアルゴリズムを使用して、CCAベースの方法が改善されました。

BACKGROUND: Steady-state visually evoked potentials (SSVEP) are one of the most important paradigms in the BCI Domain. Among the best methods for detecting frequency in the SSVEP-based BCI is the Canonical Correlation Analysis (CCA), which calculates canonical correlation between two sets of multidimensional variables, the electroencephalogram (EEG) and reference signals. Despite its efficiency and widespread application, CCA algorithm has some limitations. One major limitation of CCA is to only consider the spatial domain information of the signal. NEW METHOD: However, regarding frequency of signal as another critical feature of the signals, combining both spatial and frequency domain information can significantly improve the performance of frequency recognition. Although several previous studies about CCA algorithm, could improve its performance, they have not addressed CCA algorithm's limitation. To address this concern, in the current study, we presented Spatio-Spectral CCA (SS-CCA) algorithm, which is inspired from Common Spatio-Spectral Patterns (CSSP) algorithm. In the SS-CCA algorithm, we added a time delay to the EEG signal, in order to simultaneously optimize spatial and frequency information and obtain the canonical variables. Accordingly, for correlation coefficient's calculations, more information from EEG signal is utilized. RESULTS: Finally, SS-CCA algorithm which is used as the base model of Filter Bank CCA (FBCCA), and Filter Bank SS-CCA algorithms, can help increase the frequency recognition performance. In order to evaluate the proposed method, 35-subject benchmark dataset were used. Proposed algorithm yielded mean accuracy 98.33 across all subjects. COMPARISON WITH EXISTING METHODS: Our classification accuracy and Information Transfer Rate (ITR) results showed that the performance of the above-mentioned method improves in comparison to the CCA. CONCLUSIONS: In conclusion, using the proposed SS-CCA algorithm instead of the CCA, in all our experiments the CCA-based methods were improved.