用于提升数据受限条件下 SSVEP 识别性能的混合模板典型相关分析方法

基于摘要分析。研究针对训练 EEG 样本有限时的 SSVEP-BCI 识别问题，提出 hybrid template canonical correlation analysis（HTCCA），通过结合多个被试的训练数据构建 SSVEP 模板，以改善少试次条件下的识别表现。 机制上，HTCCA 属于基于典型相关分析（CCA）的方法，其明确特点是将多被试数据用于模板构建，而不只依赖单个用户的有限训练样本。摘要未说明模板如何混合、目标被试数据如何参与，以及模板与 CCA 的具体结合方式，这些细节尚未验证。使用多被试数据并不等于采用 Cross-subject 评估，实际训练与测试划分仍需核对。 结果方面，作者报告：在两个公开基准数据集上，当训练试次数较少时，HTCCA 的检测 Accuracy 和信息传输率（ITR）均优于所比较的方法。摘要未提供数据集名称、被试数、试次数、对照方法或具体指标数值，因此目前只能确认这一定性结论，不能据此量化提升幅度或比较不同评估协议下的效果。 该工作的直接阅读价值在于探索有限 EEG 样本下的 SSVEP 模板构建。复现时需核对多被试数据的选择方式、目标用户所需校准数据量、训练与测试划分，以及 ITR 的计算条件。实验协议、消融及统计信息尚未验证；作者所述实际应用潜力也不能替代对校准负担与在线使用效果的验证。