简介：TRCA-SSVEP-master 是一套面向脑机接口（BCI）研究与学习者的 SSVEP 分类算法源码包，聚焦时间反转分类器（TRCA）在稳态视觉诱发电位解码中的应用。资源适合具备一定信号处理与机器学习基础、希望复现或改进 SSVEP 分类流程的高年级本科生、研究生及科研人员，可用于医疗康复、人机交互等场景下的意图识别实验。压缩包共 12 个文件，约 20.03MB，以 m 脚本为主体，辅以 md 说明文档与 mat 实验数据，涵盖滤波、训练、测试与性能评估等环节。内容包含 filterbank、train_trca、test_trca、train_sscor、test_sscor、itr、test_fbcca 等核心脚本，以及 tutorial 系列示例，便于读者对照理解 TRCA、SSCOR 与 FBCCA 的实现差异。已有 654 人学习，适合作为 SSVEP 算法入门与对比实验的参考工程。
1. 从一段 40 行脚本说起：TRCA-SSVEP 这套源码到底能跑出什么
如果你手头有一份 SSVEP 的 EEG 数据，采样率、通道数、刺激频率都摆在那，但分类准确率卡在 70% 上下上不去，那这套TRCA-SSVEP-master值得你花一个下午拆一遍。它不是一个空壳 demo，而是把 SSVEP 里最常被拿来对比的几条基线——TRCA、SSCOR、FBCCA——连同 filter bank 预处理、ITR 计算、tutorial 脚本一起打包了。换句话说，你拿到的是一个能直接对着sample.mat跑通、能横向比三种算法、能算信息传输率的完整实验台。
它适合两类人：一类是刚进 BCI 方向、想搞明白「TRCA 到底比 CCA 强在哪」的研究生；另一类是已经在做 SSVEP 在线系统、需要一套干净的离线评估代码来验证自己预处理管线的工程师。不适合想直接拿去做产品级解码的人——这套代码的定位是算法验证，不是工程部署。下面我按「数据长什么样 → 预处理怎么配 → 三个算法怎么跑 → 哪里最容易翻车」的顺序，把它拆开讲。
2. 数据与目录结构：先搞清楚 sample.mat 里装的是什么
2.1 目录里每个文件对应哪一步
拿到压缩包解压后，根目录下大致是这么几块：data/放sample.mat，src/放核心算法，tutorial/放三个可以直接运行的示例脚本，根目录一个README.md。别急着打开train_trca.m，先把tutorial/里的三个脚本各跑一遍，你对整个流程的理解会比读十遍 README 快。
| 文件 | 作用 | 你什么时候会改它 |
|---|---|---|
data/sample.mat | 示例 EEG 数据，含信号与标签 | 换成自己的数据集时 |
src/filterbank.m | 滤波器组分解，FBCCA 用 | 调子带范围时 |
src/train_trca.m | 训练 TRCA 空间滤波器 | 基本不用改 |
src/test_trca.m | 用 TRCA 做测试集分类 | 改测试长度时 |
src/train_sscor.m/test_sscor.m | SSCOR 的训练与测试 | 做对比实验时 |
src/test_fbcca.m | FBCCA 分类 | 做基线对比时 |
src/itr.m | 信息传输率计算 | 换 trial 长度时 |
tutorial/*.m | 三个算法的可运行示例 | 第一次跑必看 |
这里有个容易被忽略的点：sample.mat里的数据结构决定了你后面所有脚本能不能直接复用。常见做法是把它组织成「通道 × 时间点 × trial」的三维矩阵，外加一个标签向量。你换自己数据时，只要对齐这个维度顺序，train_trca.m和test_trca.m几乎不用动。
2.2 用一段脚本确认数据维度
在跑任何训练之前，我习惯先写几行把数据摸清楚，避免后面报错时不知道是算法问题还是维度问题：
% 读取示例数据并打印关键维度 load('data/sample.mat'); % 假设变量名为 eeg 和 label disp(size(eeg)); % 期望输出：[通道数 时间点 trial数] disp(size(label)); % 期望输出：[1 trial数] 或 [trial数 1] disp(unique(label)); % 看类别数，对应几个刺激频率 fs = 250; % 采样率，按你的实际数据改 disp(size(eeg,2)/fs); % 单个 trial 的时长（秒）逻辑说明：size(eeg)的三个维度分别对应通道、时间、试次，这是 SSVEP 离线分析里最通用的排布。参数说明：fs必须和你采集时一致，后面filterbank.m和itr.m都依赖它；如果unique(label)出来的类别数和你的刺激频率数对不上，说明标签编码有问题，先解决这个再往下走。这一步花两分钟，能省掉后面半小时的玄学报错。
3. 预处理与滤波器组：filterbank.m 的参数怎么定
3.1 为什么 SSVEP 一定要做滤波器组
SSVEP 的可用信息集中在刺激频率及其谐波上。单看基频，信噪比往往不够；把 2 次、3 次谐波一起纳入，分类器能拿到的判别信息明显更多。filterbank.m干的就是这件事：把原始信号拆成若干子带，每个子带单独算特征，最后加权融合。FBCCA 之所以常被当作强基线，核心就在这个「多子带 + 加权」的结构。
我一般会先确认子带划分是否覆盖了我的刺激频率范围。比如刺激频率在 8–15 Hz，谐波会延伸到 45 Hz 左右，那子带的上限就不能只切到 30 Hz。这一步如果配错，后面三个算法一起掉点，你还以为是算法不行。
3.2 子带参数与调用方式
% 滤波器组分解示例 fs = 250; % 采样率 passband = [6 90]; % 整体通带，覆盖基频与高次谐波 subbands = [ [6 90]; [14 90]; [22 90]; [30 90]; [38 90] ]; % 常见 5 子带划分 num_sub = size(subbands,1); for k = 1:num_sub % 对每个子带做带通滤波，得到分解后的信号 eeg_sub{k} = filterbank(eeg, fs, subbands(k,:)); end逻辑说明：filterbank内部通常用零相位滤波器避免相位失真，因为 SSVEP 的判别很依赖时间结构。参数说明：passband和subbands要按你的刺激频率改，子带起点一般取基频附近，终点要覆盖到至少 3 次谐波；num_sub越多计算量越大，5 个子带是精度和耗时的常见折中。注意：如果你的采样率只有 250 Hz，子带上限设到 90 Hz 已经接近奈奎斯特，再高没有意义。
提示：换自己的数据后，先只跑一个子带确认流程通，再开全部子带。一次性全开，出错时你分不清是滤波问题还是分类问题。
4. 三个算法怎么跑：TRCA、SSCOR、FBCCA 的调用与对比
4.1 TRCA 的训练与测试流程
TRCA 的核心思路是找一个空间滤波器，让同一刺激下多个 trial 的投影信号之间相关性最大，同时压制不同刺激之间的相关性。train_trca.m做的就是估计这个滤波器，test_trca.m用估计好的滤波器对测试 trial 做相关匹配。
% TRCA 训练与测试 load('data/sample.mat'); fs = 250; latency = 0.14; % 视觉潜伏期，常见取 0.13~0.15 s data_length = 1.0; % 用于分类的信号时长（秒） % 训练：为每个类别估计空间滤波器 model = train_trca(eeg, label, fs, latency, data_length); % 测试：对测试集分类 pred = test_trca(eeg_test, model, fs, latency, data_length); % 准确率 acc = mean(pred == label_test); fprintf('TRCA 准确率: %.2f%%\n', acc*100);逻辑说明：latency用来裁掉刺激呈现后视觉通路尚未响应的那段，保留稳态响应段；data_length决定用多长的数据做一次判决，直接关系到准确率和 ITR 的权衡。参数说明：latency设太小会把瞬态混进来，设太大会丢掉有效数据，0.14 s 是常见起点；data_length从 0.5 s 到 2 s 都有人用，短了准但 ITR 高，长了准但慢，后面itr.m会帮你量化这个取舍。
4.2 SSCOR 与 FBCCA 的对比跑法
SSCOR 可以理解为在空间滤波基础上进一步做相关优化，train_sscor.m/test_sscor.m的接口和 TRCA 基本一致，方便你直接替换对比。FBCCA 不需要训练，test_fbcca.m直接对测试数据做滤波器组相关分析。
% SSCOR 对比 model_s = train_sscor(eeg, label, fs, latency, data_length); pred_s = test_sscor(eeg_test, model_s, fs, latency, data_length); acc_s = mean(pred_s == label_test); % FBCCA 对比（无训练） pred_f = test_fbcca(eeg_test, label_test, fs, latency, data_length); acc_f = mean(pred_f == label_test); fprintf('SSCOR: %.2f%% FBCCA: %.2f%%\n', acc_s*100, acc_f*100);逻辑说明：三个算法共用同一套预处理和同一段测试数据，这样比出来的差异才归因于算法本身。参数说明：test_fbcca不需要训练模型，但它的子带权重是内置的，换数据集时如果表现异常，优先检查filterbank.m的子带划分是否匹配你的频率范围。常见做法是固定latency和data_length，只变算法，跑一张对比表。
4.3 用 ITR 判断「快而准」还是「慢而准」
准确率不是唯一指标。SSVEP 系统真正关心的是单位时间能传多少信息，这就是itr.m的用途。它把准确率、类别数、单次判决时长一起折算成 bits/min。
% 计算信息传输率 N = numel(unique(label)); % 类别数 P = acc; % 准确率 T = data_length + latency; % 单次判决总时长（秒） itr_value = itr(N, P, T); fprintf('ITR: %.2f bits/min\n', itr_value);逻辑说明：itr对准确率非常敏感，准确率从 90% 掉到 85%，ITR 可能掉一大截。参数说明：T要把 latency 算进去，否则会高估；N是刺激目标数，别把标签里的无效类算进去。跑完三个算法后，把acc和itr_value放一起看，你才能判断某个算法是不是「靠拉长数据换准确率」。
5. 避坑与排查：这套代码最容易翻车的五个地方
5.1 现象：三个算法准确率都接近随机水平
原因：sample.mat的维度顺序和脚本预期不一致，或者标签与 trial 的对应关系错位。常见做法是脚本默认「通道 × 时间 × trial」，而有些采集软件导出的是「trial × 通道 × 时间」。
解决：在训练前用size和unique确认维度与类别数，必要时用permute调整顺序，别直接改算法内部索引。
5.2 现象：TRCA 报矩阵维度不匹配
原因：latency换算成采样点后超过了单个 trial 的长度，或者data_length设得比 trial 还长。比如 trial 只有 2 s，你把data_length设成 3 s。
解决：先算size(eeg,2)/fs得到 trial 时长，保证latency + data_length小于它，留出至少 0.2 s 余量。
5.3 现象：FBCCA 表现异常差，但 TRCA 正常
原因：filterbank.m的子带范围没有覆盖你的刺激频率谐波，或者采样率参数传错，导致滤波后信号几乎为空。
解决：单独把某个子带的输出画出来看频谱，确认基频和谐波位置有能量；fs必须和采集时一致，不能想当然填 250。
5.4 现象：ITR 算出来高得离谱
原因：T里漏加了latency，或者把训练阶段的时间也算进了单次判决。ITR 只关心在线判决一次要多久。
解决：T = data_length + latency，并且确认N是实际可选目标数，不是标签向量的长度。
5.5 现象：换自己的数据后 tutorial 能跑，但结果不可复现
原因：自己的数据没有做 trial 级基线校正或去均值，而示例数据已经预处理过。不同 trial 的直流漂移会让相关分析不稳定。
解决：在进入train_trca之前，对每个 trial 做去均值或基线校正，保持和示例数据一致的预处理强度。这一步不做，后面调参都是白费。
6. 进阶技巧：把 tutorial 改成自己的批量评估脚本
三个 tutorial 脚本适合跑通流程，但真正做实验时你需要批量跑不同data_length、不同latency，然后画准确率-ITR 曲线。我一般会写一个外层循环，把参数网格扫一遍，输出一张表，而不是每次手动改脚本。
% 批量扫描 data_length，输出准确率与 ITR lengths = [0.5 0.75 1.0 1.5 2.0]; results = zeros(numel(lengths), 3); % [时长 准确率 ITR] for i = 1:numel(lengths) dl = lengths(i); model = train_trca(eeg, label, fs, latency, dl); pred = test_trca(eeg_test, model, fs, latency, dl); acc = mean(pred == label_test); itr_v = itr(numel(unique(label)), acc, dl + latency); results(i,:) = [dl, acc, itr_v]; end disp(array2table(results, 'VariableNames', {'DataLength','Accuracy','ITR'}));逻辑说明：固定latency，只扫data_length，能直观看到「用更长数据换准确率」的边际收益在哪里递减。参数说明：lengths的起点不要低于 0.5 s，否则相关分析的自由度不够；终点不要超过 trial 总时长减去latency。跑完这张表，你基本能确定自己数据集上的最佳工作点。
还有一个我踩过的坑：不同算法的latency敏感度不一样，TRCA 对latency比 FBCCA 更敏感。所以做对比实验时，要么固定latency公平比，要么对每个算法各自扫一遍取最优再比，但后者要在论文或报告里写清楚。混着比，结论站不住。
从那以后我每次换数据集，都强制先跑一遍维度确认和单子带验证，再开全流程。这套TRCA-SSVEP-master的价值不在于它多复杂，而在于它把三条基线放在同一个框架里，让你能干净地做对比、算 ITR、定位问题。希望帮到你。
本文还有配套的精品资源，点击获取
