本科生毕业设计开题报告(脑机接口)
基于稳态视觉诱发电位的脑机接口系统的设计与研究的开题报告
基于稳态视觉诱发电位的脑机接口系统的设计与研究的开题报告概述脑机接口技术是将人的大脑信号通过电极等探头进行采集和处理，转化为外部设备可以识别的指令，从而实现对设备的控制。
其中，稳态视觉诱发电位（SSVEP）是一种具有高可靠性和高信息传输速率的神经信号，被广泛应用于脑机接口系统的设计和实现。
本文将针对基于SSVEP的脑机接口系统进行设计和研究。
主要内容1. 研究背景和意义随着科技的不断进步，脑机接口技术得到了广泛关注和应用。
基于脑机接口技术的应用可以大大提高人的生活质量和工作效率，例如，为残疾人提供更便捷的身体控制方式，为轮椅、机器人等设备提供更高效的控制方式。
稳态视觉诱发电位具有高可靠性和高信息传输速率的特点，为脑机接口系统的设计提供了很好的信号来源。
2. 研究现状分析目前，国内外学者对基于SSVEP的脑机接口系统的设计和研究已经进行了很多工作。
主要研究内容包括 SSVEP 信号采集和处理方法、多通道 SSVEP 信号同步提取和分类方法等。
但是，目前仍然存在着一些不足之处，例如，不同频段 SSVEP 信号的分类效果不稳定，同时因为缺乏有效的实验验证，实现效果尚不理想。
3. 研究目标和内容本文将主要基于现有研究成果，针对基于SSVEP的脑机接口系统进行深入研究和探索。
研究目标包括优化 SSVEP 信号分类算法、实现多通道 SSVEP 信号同步提取、设计和优化基于SSVEP的脑机接口系统等。
研究内容包括：1）设计并实现 SSVEP 信号采集和处理系统，采用多通道同步采集和处理SSVEP信号，确保信号质量的稳定和可靠。
2）研究不同频段 SSVEP 信号分类算法，提高SSVEP 信号分类的准确率和稳定性。
3）实现基于SSVEP的脑机接口系统，提高控制设备的精度和反应速度。
4. 研究方法和计划本文主要采用实验研究和理论分析相结合的方法，通过实验验证和算法设计，逐步提高SSVEP信号分类准确率和脑机接口系统的性能表现。
脑机接口的原理与应用实验报告
脑机接口的原理与应用实验报告一、引言脑机接口（Brain-Computer Interface，BCI）是一种新兴的技术，通过直接连接脑电信号和外部设备，实现脑与机器之间的通信和控制。
BCI技术的应用领域非常广泛，如医学诊断、神经康复、游戏娱乐等。
本实验报告旨在介绍脑机接口的原理和应用，并通过实验验证其可行性。
二、脑机接口的原理脑机接口技术通过获取、解码和处理脑电信号，将脑电活动转化为控制指令或反馈信息。
其原理如下：1. 脑电信号获取脑电信号是指人体大脑活动所产生的微弱电信号。
为了获取脑电信号，通常使用电极阵列贴在头皮上，并通过放大器采集信号。
脑电信号获取过程中，需要注意排除其他电磁干扰和肌电信号的干扰。
2. 信号预处理脑电信号获取后，通常需要对信号进行预处理以提高其质量。
信号预处理包括滤波、剪除伪迹信号和噪声消除等操作。
滤波可以去除无关频率的干扰信号，剪除伪迹信号和噪声消除可以提高信号的准确度。
3. 特征提取经过信号预处理，脑电信号通常呈现出一种特定的模式或特征。
对于特定任务的脑机接口应用，需要从信号中提取特征，例如频率、幅值、时域特征等。
特征提取的目的是减少特征向量的维度，提高信号处理的效率。
4. 信号分类和解码特征提取后，需要通过分类算法对信号进行解码，将脑电信号转化为相应的控制指令或反馈信息。
常用的分类算法包括支持向量机（SVM）、神经网络（NN）和贝叶斯分类器等。
三、脑机接口的应用脑机接口技术的应用领域多种多样，以下列举几个常见的应用案例：1. 医学诊断与治疗脑机接口可以通过监测脑电信号，帮助医生诊断和治疗一些神经疾病，如帕金森病、癫痫等。
通过分析脑电信号的频谱、强度等特征，可以确定疾病的类型和程度，为医生提供参考依据。
2. 神经康复脑机接口可以应用于神经康复领域，帮助恢复运动功能受损的患者。
通过脑电信号的捕捉和解码，可以实现假肢的控制，促进患者的康复进程。
3. 游戏娱乐脑机接口技术在游戏娱乐领域也有广泛的应用。
脑机接口研究报告
脑机接口研究报告随着科技的发展，脑机接口技术（Brain-Computer Interface，BCI）已经成为了一个备受关注的研究领域。
BCI技术可以将人脑的信号转化为计算机可以理解的形式，实现人与计算机之间的直接交互。
本文将介绍BCI技术的基本原理、发展历程以及目前的研究进展。
一、BCI技术的基本原理BCI技术的核心在于将人脑的活动信号转换为计算机可以处理的形式。
人脑的活动信号可以通过多种方式获取，例如脑电图（Electroencephalogram，EEG）、功能磁共振成像（Functional Magnetic Resonance Imaging，fMRI）等。
其中，EEG是最常用的信号获取方式。
脑电图是一种记录脑电活动的技术。
在脑电图中，我们可以看到不同频率的电信号，例如α波、β波、θ波等。
这些波形可以反映出人脑的不同状态，例如放松、注意力集中、睡眠等。
利用脑电图，我们可以获取到脑电信号，并将其转换为计算机可以处理的形式。
BCI技术的实现需要将脑电信号进行预处理、特征提取和分类等步骤。
预处理包括滤波、去除噪声等操作；特征提取则是将脑电信号中的有用信息提取出来，例如频率、幅度等；分类则是将提取出来的信息进行分类，例如判断用户是想要控制电脑的鼠标还是键盘。
二、BCI技术的发展历程BCI技术的历史可以追溯到上世纪60年代。
当时，研究人员开始探索利用脑电信号来实现人机交互。
然而，当时的技术水平还不够成熟，无法实现高效的脑机接口。
直到上世纪90年代，随着计算机技术的发展，BCI技术才开始逐渐成熟。
在过去的二十年中，BCI技术取得了很大的进展。
研究人员们不断改进算法和硬件设备，使得BCI技术能够更加精准、快速地获取和处理脑电信号。
同时，BCI技术也开始应用于医疗领域，例如帮助残疾人士恢复肢体功能、治疗抑郁症等。
三、BCI技术的研究进展BCI技术的研究进展非常迅速。
以下是一些最新的研究成果： 1. BCI技术在肢体康复中的应用研究人员发现，利用BCI技术可以帮助残疾人士恢复肢体功能。
毕业设计开题报告3篇
毕业设计开题报告3篇1.毕业设计开题报告1、选题目的随着信息技术迅猛发展，计算机的更新换代越来越快，一些“不起眼”的计算机外设也得到了很好的发展，如现在很热的光电鼠标就是一个很好的例子，它的核心是一个光电式传感器，光电式传感器是以光电器件作为转换元件的传感器，它可以用于检测能转换成光电变化的其它非电量，如零件直径，表面粗糙度，应变力，位移，振动，速度，加速度，以及物体的形状，工作状态的识别等，也可用于检测直接引起光电变化的非电量，如光强，光照度，辐射测温，气体成分分析等。
光电式传感器具有非接触响应快，性能可靠等特点（当然用它做成的光电鼠标也具有这些特点）。
光电传感器是通过把光强度的变化转换成电信号的变化来实现控制的。
光电传感器及其特殊性能再很多场合得到了广泛的应用。
而且应用光电传感器设计出的产品比普通产品更有可靠的灵活性和方便性。
所以本可以在研究光电鼠标工作原理的基础上讨论光电传感器在实际当中的应用很有必要。
2、研究现状鼠标自从诞生到今天，已经有38个年头了，这38年来，鼠标无论在性能还是工作原理上都有了许多变化。
“mouse”换代发展反映了计算机技术的普及和应用电子技术的突飞猛进。
同时也证明了一个结论：原创+科技进步=产品的生命。
曾经获得计算机界最权威的“图灵奖”的道格拉斯？恩格尔巴特（DouglasEnglebart）博士于1968年12月9日在IEEE会议上展示了世界上第一个鼠标。
如图所示：一个木质的小盒子，盒子下面有两个互相垂直的轮子，每个轮子带动一个机械变阻器获得X、Y轴上的位移，在盒子的上面则有一个按钮开关提供连通信号。
鼠标的这款鼻祖与今天的鼠标结构大不相同，甚至还需要外置电源给他供电才能正常工作。
然而他却引领了一个科技领域的几次革命，带给计算机工作者一次次的欢欣鼓舞。
1983年苹果公司受到仙童公司著名STAR计算机的启发，在当年推出的Iisa电脑上第一次使用了鼠标作为GUI（Graphicaluserinterface）界面操作工具。
脑机接口研究报告
脑机接口研究报告
脑机接口研究的目的在于改善人的生活，为他们实现新的功能，运用创新的科技达到超越今日生活中的普遍感知功能。
随着近几年来人工智能技术的飞速发展，脑机接口也开始受到了关注。
脑机接口是指将大脑与计算机相连接，使一方可以通过电信号读取另一方的信号。
它有助于理解大脑的神经连接，也可以将脑信号采集到计算机，实现对外部设备的控制。
脑机接口也可以实现两个人之间的联系，连接人的思维和情绪，以及其他形式的传输，使其形成一个单一联合体系。
此外，脑机接口还可以用于科学研究，例如量化大脑活动，发现潜在的生物学现象，以及开发新的医疗技术，以治疗多种神经科学障碍。
脑机接口也可以用于仿生学和机器人技术，实现更好的灵活性，更好的可编程性，也可以增强计算机的智能。
然而，脑机接口也带来了一些担忧，例如隐私和安全问题，还有潜在的健康和法律风险。
虽然脑机接口的研究仍在不断发展，但对于如何确保其有效性，以及安全性，仍然存在一些担忧。
脑机接口的研究拥有者巨大的潜力，能改善人们的生活。
通过与脑机接口连接，可以更好地访问信息，增加学习能力，同时更好地控制机器人和仿生学装置，为许多疾病患者提供更好的治疗方案，提高生活质量。
值得注意的是，脑机接口研究必须牢记安全、隐私和社会影响，才能使这项技术实现其潜在的改变。
本科生毕业设计开题报告(脑机接口)
脑电信号是通过电极记录下来的脑细胞群的自发性、节律性活动，目前有多种脑功能测量技术可以对大脑活动进行成像，如脑电图（EEG）、脑磁图（MEG）、皮质脑电图（ECoG）、功能磁共振成像（fMRI）、近红外脑成像（fNIR）等。
在诸多的脑电信号采集技术中，EEG技术记录脑电信号的方式凭借其无创伤、低成本、简单易用、高时间分辨率等优点，在脑-机接口领域中得到了越来越广泛的应用[1]。
脑-机接口（Brain computer interface, BCI）是一种通过在人脑与外部设备之间直接建立信息传输通路从而能够不依赖外周神经和肌肉组织的通信和控制技术，为患有肌萎缩性侧索硬化、脑干中风、脊髓损伤、脑瘫等严重神经肌肉疾病而失去行动能力的残疾人提供了一种与外界环境进行沟通和交互的有效方式[2]。
脑-机接口（BCI）作为一种新型的人机交互方式，其最初的研究目的是为了给残疾人或患有肌肉损伤等疾病的人群提供一种可靠的交互手段，以提高他们的自理能力与生活水平。
随着相关研究的发展，残疾人康复训练、军事、儿童教育及娱乐、特殊环境下的复杂控制等也成为脑机接口的潜在应用领域。
如何提高对脑电信号进行识别分类的正确性和快速性正是脑机接口在实用推广中一个必须解决的问题。
在相同的信号获取方法下，有效、准确、快速的脑电信号识别分类算法便成为提高脑机接口实用性的关键技术之一[5]。
在脑-机接口系统中，所使用的脑电信号大致可以区别为外源性信号与内源性信号两种。
内源性信号指不需要依赖外界刺激便而由使用者自行进行大脑活动而产生的信号，包括完成某种心理作业产生的电位、运动想象电位等。
在运动想象模式下，用户通过想象自身左右手的运动从而对自身大脑意识活动进行调节以诱发相应电位。
外源性信号则需要通过一定得外部条件对用户进行视觉、听觉或触觉上的刺激，以激发相信的信号，如P300信号、稳态触觉诱发信号、稳态视觉诱发电位等。
稳态视觉诱发电位（SSVEP）是大脑视觉皮层对于视觉中心中闪烁刺激的一种生物反馈。
神经科学与脑机接口研究课题理解大脑功能与开发脑部治疗方法
神经科学与脑机接口研究课题理解大脑功能与开发脑部治疗方法神经科学与脑机接口研究——理解大脑功能与开发脑部治疗方法神经科学与脑机接口（Brain-Computer Interface, BCI）研究是一门旨在理解大脑功能以及开发治疗脑部疾病的方法的学科。
该研究领域涉及神经科学、计算机科学和工程学等多个学科，其目标是通过直接与大脑进行交互，实现对我们思想和行动的控制。
一、神经科学与脑机接口研究的背景随着科学技术的不断发展，人们对大脑及其神秘功能的探索充满了好奇与激情。
神经科学家通过研究神经元和神经回路之间的关系，试图揭示大脑功能的奥秘。
然而，在某些神经系统疾病的治疗上，传统的医疗手段存在诸多不足之处。
二、大脑功能理解的重要性大脑是人类思维、感知和行动的中心。
理解大脑功能有助于我们了解自身的意识、思考和行为方式。
通过神经科学与脑机接口研究，我们能够深入探索大脑的工作方式，揭示认知和行为的机制，进一步推动神经科学的发展。
三、脑机接口技术的原理与应用脑机接口技术通过将传感器植入大脑或安装在头皮上，实时获取大脑活动的信号，并将其转化为计算机可以理解的语言。
这种技术使得大脑与外部设备之间建立起了直接的连接，从而实现了对机器或装置的控制。
脑机接口技术在多个领域有着广泛的应用，包括运动康复、脑机交互、神经可塑性研究等。
四、脑机接口在脑部治疗方法开发中的应用脑机接口在脑部治疗方法开发中具有重要的意义。
通过脑机接口技术，我们能够实时监测大脑活动，诊断患者的脑部疾病，并为其提供个性化治疗方案。
例如，在帕金森病等运动系统疾病中，通过脑机接口技术控制电极的刺激来减轻患者的症状。
此外，脑机接口还被应用于神经康复中，如帮助瘫痪患者恢复肌肉控制能力。
五、未来发展与挑战尽管脑机接口技术在大脑治疗和康复领域具有巨大潜力，但仍面临一些挑战和难题。
其中之一是如何提高接口的精确性和稳定性，以满足临床实践的需求。
此外，对脑机接口技术的长期影响和安全性问题也需要进一步的研究。
基于小波变换的脑机接口技术的开题报告
基于小波变换的脑机接口技术的开题报告
一、研究背景
脑机接口技术是将人的意识活动转化为机器可读信号的一种技术，在许多领域应用广泛，例如医学康复和智能控制等。
其中，基于小波变换的脑机接口技术具有高精度和实时性等优势，已经成为脑机接口技术中的研究热点。
二、研究目的
本研究旨在探究基于小波变换的脑机接口技术在脑信号特征提取和分类识别方面的应用，并对其进行性能分析和优化。
三、研究内容
1. 脑机接口技术的概述：介绍脑机接口技术的基本原理、应用场景和发展状况。
2. 小波变换原理：介绍小波变换的基本原理、类型和特点，以及在脑机接口技术中的应用。
3. 脑信号特征提取和分类识别算法：基于小波变换的脑信号特征提取和分类识别算法的设计和实现，包括小波包变换、多分辨率分析等方法。
4. 算法的性能评估和优化：对基于小波变换的脑机接口技术中的特征提取和分类识别算法进行性能评估，针对算法的不足之处进行优化，提高算法的分类准确率和实时性等指标。
四、研究方法
本研究采用文献调研和实验研究相结合的方法，从理论和实践两个方面探究基于小波变换的脑机接口技术。
文献调研主要研究脑机接口技术和小波变换的理论基础和发展现状，实验研究主要针对小波变换算法在脑信号特征提取和分类识别方面的应用进行实验验证。
五、研究意义
本研究旨在深入探究基于小波变换的脑机接口技术在脑信号特征提取和分类识别方面的应用，从而提高脑机接口技术的分类准确率和实时性，为医学康复和智能控制等应用领域提供技术支持。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
脑电信号是通过电极记录下来的脑细胞群的自发性、节律性活动，目前有多种脑功能测量技术可以对大脑活动进行成像，如脑电图（EEG）、脑磁图（MEG）、皮质脑电图（ECoG）、功能磁共振成像（fMRI）、近红外脑成像（fNIR）等。
在诸多的脑电信号采集技术中，EEG技术记录脑电信号的方式凭借其无创伤、低成本、简单易用、高时间分辨率等优点，在脑-机接口领域中得到了越来越广泛的应用[1]。
脑-机接口（Brain computer interface, BCI）是一种通过在人脑与外部设备之间直接建立信息传输通路从而能够不依赖外周神经和肌肉组织的通信和控制技术，为患有肌萎缩性侧索硬化、脑干中风、脊髓损伤、脑瘫等严重神经肌肉疾病而失去行动能力的残疾人提供了一种与外界环境进行沟通和交互的有效方式[2]。
脑-机接口（BCI）作为一种新型的人机交互方式，其最初的研究目的是为了给残疾人或患有肌肉损伤等疾病的人群提供一种可靠的交互手段，以提高他们的自理能力与生活水平。
随着相关研究的发展，残疾人康复训练、军事、儿童教育及娱乐、特殊环境下的复杂控制等也成为脑机接口的潜在应用领域。
如何提高对脑电信号进行识别分类的正确性和快速性正是脑机接口在实用推广中一个必须解决的问题。
在相同的信号获取方法下，有效、准确、快速的脑电信号识别分类算法便成为提高脑机接口实用性的关键技术之一[5]。
在脑-机接口系统中，所使用的脑电信号大致可以区别为外源性信号与内源性信号两种。
内源性信号指不需要依赖外界刺激便而由使用者自行进行大脑活动而产生的信号，包括完成某种心理作业产生的电位、运动想象电位等。
在运动想象模式下，用户通过想象自身左右手的运动从而对自身大脑意识活动进行调节以诱发相应电位。
外源性信号则需要通过一定得外部条件对用户进行视觉、听觉或触觉上的刺激，以激发相信的信号，如P300信号、稳态触觉诱发信号、稳态视觉诱发电位等。
稳态视觉诱发电位（SSVEP）是大脑视觉皮层对于视觉中心中闪烁刺激的一种生物反馈。
当人眼注视某一按照固定频率（大于6Hz）进行闪烁的物体时，其视皮层的脑电信号将会被该频率调制，一般表征为与刺激频率相同的频率分量得到显著增强。
当有多个激励源以不同的固定频率进行闪烁且被赋予不同含义时，这种信号可用于分析被试所注视的是哪一个激励源以及其所要传达的任务。
研究表明，相较于P300模式、运动想象等模式，SSVEP模式在应用中有着触发信号稳定、使用电极数量少、训练时间短等优点[7]。
近年来，脑-机接口（BCI）技术的研究得到越来越多的关注。
在众多的脑机接口模式中，SSVEP模式下的脑电信号得到了广泛的使用也提出了多种SSVEP 模式脑电信号特征提取方法。
当前的SSVEP模式下脑电信号的特征提取大多将该模式下的脑电信号从时域变换到频域内进行分析与处理，通过识别脑电信号在不同频率处的能量峰值来识别用户所下达的指令。
Huang等讨论了小波变换在SSVEP模式下脑电信号特征提取中的应用[10]。
Martinez等将带通滤波器应用于SSVEP模式下的脑电信号特征提取，并设置了模糊神经网络用于对多通道的脑电信息进行分类识别[12]。
Mukesh等应用快速傅立叶变换(FFT)提取SSVEP模式下脑电信号的频域特征，进而识别不同的命令[13]。
当前对于SSVEP模式脑电信号的特征识别大多关注对其频域特征的分类识别，受限于SSVEP模式本身的缺陷，单纯利用EEG脑电信号的频域特征进行分析的方法限制了SSVEP模式下的可识别的目标数量。
为了进一步提高基于SSVEP模式的脑-机接口系统的性能，融合时域相位特征的SSVEP诱发方式、多域的特征提取算法成为一个新的热点[15]。
本课题将依托天津大学电气与自动化工程学院机器人与自主系统研究所前期搭建的仿人机器人意念控制平台对SSVEP模式下脑电信号的多域特征提取算法进行研究。
该平台整合了Cerebus神经信号采集系统、NAO仿人机器人、KT-X PC仿人机器人、Openvibe、BCI2000等软、硬件设备，为特征表征算法的实际测试提供了条件。
本课题拟在比较分析现有SSVEP模式脑电信号特征提取算法的基础上，对SSVEP模式下脑电信号多域特征表征算法进行研究，设计并实现一种基于模糊逻辑的SSVEP多域特征提取算法，以期找到一种提高脑电信号识别准确性、快速性的路径，并借此来提高现有SSVEP模式下脑机接口系统的性能本课题主要研究内容如下：（1）比较现有SSVEP脑电信号特征提取算法的优势与不足并加以分析；（2）基于单片机系统，搭建融合时域相位特征的SSVEP脑电信号诱发装置；（3）设计并编程实现基于模糊逻辑的SSVEP模式脑电信号的多域特征提取算法；（4）利用仿人机器人意念控制平台，对所设计的算法进行离线和在线实验验证，检验并优化算法的实际效果。
实验进度1.3月01日至3月20日，文献阅读，比较现有算法的优缺点；2.3月21日至4月10日，设计并编程实现基于模糊算法的SSVEP特征提取算法，并搭建信号诱发装置；3. 4月11日至4月30日，进行离线及在线实验，测试并优化算法；4. 5月01日至5月31日，撰写论文，并准备答辩。
参考文献[1]高上凯.神经工程与脑-机接口[A].生命科学，2009，21(2):177-180.[2]Wang Y J, Wang R P, Gao X R, et al.A Practical VEP-Based Brain–ComputerInterface[J].IEEE Transactions on Neural Systems and Rehabilitation Engineering，2006，14(2):234-239.[3]任宇鹏,王广志,程明.基于脑-机接口的康复辅助机械手控制[J].中国康复医学杂志,2004,19(5):330-333.[4]万柏坤,高扬,赵丽,等. 脑-机接口: 大脑对外信息交流的新途径[J]. 国外医学: 生物医学工程分册, 2005, 28(1): 4-9.[5]杨帮华,颜国正,丁国清,等.脑机接口关键技术研究[J].北京生物医学工程,2005,24(4):308-310[6]尧德中,刘铁军,雷旭,等.基于脑电的脑-机接口: 关键技术和应用前景[J].电子科技大学学报, 2009, 38(5): 550-554.[7]Müller-Putz G R, Scherer R, Brauneis C, et al. Steady-state visual evokedpotential (SSVEP)-based communication: impact of harmonic frequency components[J]. Journal of neural engineering, 2005, 2(4): 123.[8]Vialatte F B, Maurice M, Dauwels J, et al. Steady-state visually evokedpotentials: focus on essential paradigms and future perspectives[J]. Progress in neurobiology, 2010, 90(4): 418-438.[9]邓志东,李修全,郑宽浩,等.一种基于SSVEP的仿人机器人异步脑机接口控制系统[J].机器人,2011,33(2):129-135.[10]Huang M, Wu P, Liu Y, et al. Application and contrast in brain-computerinterface Betweenhilbert-huan[11]Wu Z, Yao D. Frequency detection with stability coefficient for steady-statevisual evoked potential (SSVEP)-based BCIs[J]. Journal of Neural Engineering, 2008, 5(1): 36.[12]Martinez P, Bakardjian H, Cichocki A. Fully online multicommandbrain-computer interface with visual neurofeedback using SSVEP paradigm[J].Computational intelligence and neuroscience, 2007, 2007: 13-13.[13]Mukesh T M S, Jaganathan V, Reddy M R. A novel multiple frequencystimulation method for steady state VEP based brain computer interfaces[J].Physiological Measurement, 2006, 27(1): 61.[14]Lin Z, Zhang C, Wu W, et al. Frequency recognition based on canonicalcorrelation analysis for SSVEP-based BCIs[J]. Biomedical Engineering, IEEE Transactions on, 2006, 53(12): 2610-2614.[15]李翔,高小榕,高上凯.一种基于两种不同范式的混合型脑-机接口系统[J].中国生物医学工程学报, 2012, 31(3): 326-330.[16]Jia C, Gao X, Hong B, et al. Frequency and Phase Mixed Coding inSSVEP-Based Brain--Computer Interface[J]. Biomedical Engineering, IEEE Transactions on, 2011, 58(1): 200-206.。