0　引言

全球人口老龄化的加速以及脑卒中、肌萎缩性侧索硬化、脊髓损伤等诸多因素，造成行动不便人群数量日益增多。电动轮椅技术的使用是目前让这类人群重获行动能力的最为常见的方法[1]。他们可通过操作操纵杆控制电动轮椅自由行走，进而帮助其进行日常活动。然而，电动轮椅却并不适合诸如四肢残疾或患有瘫痪的严重运动障碍患者。尽管严重运动障碍患者保持认知能力，但其残余功能无法完成通过传统的手动操纵杆实现对轮椅的控制。因此对于严重运动障碍患者而言，需依靠外援才能实现轮椅控制。如何提高严重运动障碍患者的生活自理能力，使其重新融入社会，成为众多研究者关注的问题之一。

脑-机接口(brain-computer interface,BCI)技术是一种允许人脑与外部设备实时交互的通信或控制系统[2]。它通过测量和分析大脑信号并将其转化为设备控制信号，从而实现与外部设备的交互。因脑-机接口是一种不依赖于外周神经或肌肉的通信通道，可为严重运动障碍患者提供与外界交互的新途径。基于头皮脑电的脑-机接口的常见脑活动模式包括P300电位、稳态视觉诱发电位(steady-state visual evoked potential,SSVEP)和运动想象[3]。这些脑活动模式均可构建相应的脑-机接口。诚然，各类脑-机接口都有其优点和缺点。基于运动想象的脑-机接口便于实现自由控制且无需外部刺激，但调节事件相关同步/去同步的信号通常较为困难。基于P300和稳态视觉诱发电位的脑-机接口通常需要简单的系统配置，无需进行大量训练且大多数使用者能够获得较高的成功率。然而，这些系统需要视觉刺激器，进而为用户提供了一种不自然的控制方式。相比于其他两类脑-机接口，基于稳态视觉诱发电位的脑-机接口能够提供最快的响应和最高的正确率[4]。

近年来，随着信号处理方法、计算机技术以及机器人控制技术的发展，极大推动了脑-机接口的应用范围。基于脑-机接口的控制策略已成功用于轮椅、四轴飞行器以及康复与辅助设备的控制[5]，其中基于脑-机接口控制轮椅(即脑控轮椅)因能让行动不便人群重拾行动能力并提高他们的生理质量和自理能力而备受关注。相比于其他的基于脑-机接口控制的应用，脑控轮椅因被应用于转运行动不便人群而需要更高的安全性[6]。因此，用于轮椅控制的脑-机接口需要较高的性能，即较高的识别正确率和较短的识别时间。

自2005年Tanaka等[7]首次报道了脑控轮椅，研究者们开发了各种类型的脑控轮椅，并发表了大量文献。然而涵盖脑控轮椅的文献综述却很少。2011年李鹏海等[8]综述了脑-机接口在移动外设控制中的应用研究进展。Bi等[9]于2013年发表一篇脑控移动机器人的文献综述。以及2016年Fernández-Rodríguez等[6]综述了真实脑控轮椅的研究进展。针对稳态视觉诱发电位的脑-机接口具有较高信息传输率(information transfer rate,ITR)和较少的用户训练等特点，本文将重点关注于稳态视觉诱发电位脑-机接口控制轮椅的研究，包括迄今为止基于稳态视觉诱发电位的脑控轮椅的特点，描述使用它们的人群，控制方式，脑-机接口的特征提取和分类方法，以及系统性能评估方法。因此，本文调研的文献有如下特点：利用稳态视觉诱发电位脑-机接口来控制轮椅，并且能够根据上述特征进行详尽分类的脑控轮椅系统。

嘉兴项氏的研究虽有系列成果问世，但其家族之溯源未有人详细论及，关于其家族特点与其鉴藏之关系、家世与鉴藏印鉴的关联、家族成员及其鉴藏活动和相关藏品的研究仍有待深入。本文结合上述研究成果，再整合相关文献资料，对嘉兴项氏鉴藏家族作进一步探究。

1　基于稳态视觉诱发电位的脑控轮椅的研究现状

脑控轮椅系统性能评测是一个复杂的问题，因为大多数文献要求用户执行诸如将轮椅从位置A移动至位置B的任务，而没有给用户到达目的地的具体指令。因此，很难知道系统识别指令的正误。用于脑控轮椅系统性能的评测指标可以分为两类。一类为任务相关指标，即关注于系统执行任务的情况，包括任务执行的成功率[10,12-14]、执行任务所需的时间[10,15-17,19,21,23,35]、正确率[11,16,18,20,24,30-36]、信息传输率[11,14,17,20,30-32,35-36]、碰撞次数[21]、发送指令的数量[10]。另一类指标主要是从用户角度出发，关注于在使用脑控轮椅时用户的心理状态，通常以问卷形式来完成[17,20,33]。

图1　本文调研的文献 Figure 1　The literatures compiled in this review

脑控轮椅因能帮助严重运动障碍患者重获行动能力而备受关注。本文深入调研了28篇有关基于稳态视觉诱发电位的脑控轮椅的文献，从系统的使用人群，关键技术以及系统性能评测等方面对基于稳态视觉诱发电位的脑控轮椅的现状进行分析，以期为后续研究拓展思路。

图2　基于稳态视觉诱发电位的脑控轮椅系统框图 Figure 2　System diagram of brain-controlled wheelchairs based on SSVEP

1.1　控制方式

考试大纲 “数学学科知识”二维矩阵赋值：对于20个主题对应的内容，例如极限与连续性，结合大纲，细化该主题下知识内容，分解为极限的定义、性质、计算、连续性定义、连续性性质等的单一知识点的细目，以大纲行为动词为依据，判断其每单一知识点要求达到的认知水平.分别统计属于了解，理解，掌握的知识点数目，知识点数目即编码值.对考试大纲赋值结果如下，得到120个知识点数目.

这是本节复习课的最后一道例题，处理完问(1)距下课还有十多分钟的时间，之后对问(2)，教师引导学生思考、讨论、展示、交流．学生自主提出5个问题，在教师的引导下，又有4个新问题被提出．在解决的过程中，教师又引领学生深入研究．前两个问题解决后，发现最值取得时，四边形PAOB恰是正方形，顺势教师提出可以研究四边形PAOB何时为正方形；∠APB的最大值求出是90°时，教师又提出若∠APB=60°，那么点P的横坐标的范围如何等等，问题不断衍生，探究永不停止，从而让思维的教学更具穿透力、延展力．

1.2　人群

在控制方式方面，所调研的文献中70.37%的文献采用低水平的控制方式，即利用脑-机接口直接控制轮椅的移动，这种方式的控制效率相对较低，需要用户频繁地发送指令，进而容易引起用户疲劳。因此，有必要采用诸如高水平/共享的高效控制方式，融合脑-机接口和机器智能，以允许用户尽可能少地努力即可达到目的地。以提高整个脑控轮椅系统的性能，尤其是系统的鲁棒性。未来可从如下两个方面尝试：①开发脑-机接口和机器智能深度融合的新方法，以提高系统的鲁棒性和执行效益；②综合利用多种传感器信息，以实现精确预测用户意图。

表1　基于稳态视觉诱发电位的脑控轮椅的特点 Table 1　Characteristics of brain-controlledwheelchairs based on SSVEP

文献控制方式人数电极数量指令数量频率/Hz[10]共享86413，14，15，16[11]高13456，64，69，8[12]，[13]，[14]低312456，64，69，8[15]低2649，10，11，12[16]低5846，667，75，857[17]低13①3437，38，39，40[18]高6256，7，8[19]低3447，8，9，11[20]低51625，3333，40[21]低31587，8，9，11[22]高371511，12，13，14，15[23]共享46585，10，12，15[24]低41449，10，11，12[25]共享—6485，10，12，15[26]，[27]，[28]，[29]低4346，7，8，9[30]低3348，11，13，15[31]低5348，11，13，15[32]低814857，10，12，15[33]低5②12456，64，69，8/37，38，39，40[34]共享3242—[35]高51112，15，18，28[36]共享44414，15，16，17[37]低—556，666，75，857

大多数脑控轮椅系统所使用的频率范围为5～17 Hz，仅3项研究涉及高频视觉刺激[17,20,33]，即37～40 Hz频率范围。脑-机接口发送的指令数量平均为4.18个，较为常见的指令为前进、后退、停止、左转、右转。

② 有2名受试者为四肢瘫痪患者，2名受试者为Duchenne营养不良症，1名患者瘫痪水平L1。

1.3　脑电采集

由于稳态视觉诱发电位响应的脑区主要集中于大脑视觉皮层，因此基于稳态视觉诱发电位的脑控轮椅系统记录的脑电电极主要分布于后顶枕区。平均一项研究记录6.29个电极，主要记录电极为O1、Oz、O2、PO3、POz、PO4。目前用于脑控轮椅系统的脑电放大器主要以实验研究用的脑电放大器为主，诸如g.tec[10,15,19-21,37]、Neuroscan[16]、BrainNet BNT 36[11-14,17,30-31,33]。这些脑电放大器具有笨重、成本高的特点。

1.4　刺激频率和指令

① 有1名受试者为四肢轻瘫患者。

1.5　特征提取和分类方法

脑电特征提取的方法主要包括目标频率的幅度、典型相关分析(canonical correlation analysis,CCA)、快速傅里叶变换(fast Fourier transform,FFT)、功率谱密度(power spectral density,PSD)、最小能量组合(minimum energy combination,MEC)、多变量同步指数(multivariate synchronization index,MSI)、谱F检验(spectral F-test)。其中，典型相关分析方法应用最为广泛。分类方法主要有典型相关分析系数、阈值法、决策树法、支持向量机(support vector machine,SVM)。

1.6　系统性能评测方法

脑控轮椅的目标是允许用户通过大脑信号控制轮椅以安全、有效的方式到达预定目的地。构建脑控轮椅的核心技术是脑-机接口。目前，在脑控轮椅研究中，非侵入式脑-机接口因安全、无创等特点而得到广泛应用，其中头皮脑电(electroencephalography,EEG)因易于采集、安全性高和价格低廉的特点成为非侵入式脑-机接口的主流输入信号。本文共调研了28篇文献(见图1)，所有文献均是采用脑电信号作为输入信号。表1列出了基于稳态视觉诱发电位的脑控轮椅的特点。

2　讨论

典型的基于稳态视觉诱发电位的脑控轮椅系统的组成如图2所示，通过视觉刺激诱发不同的人脑信号，然后对其进行分析与处理以提取出反映人意图的特征，进而将这些信号特征转换成控制轮椅的具体指令，从而实现人对轮椅的控制。

所调研的文献中，平均一项研究有5.73人参与。有2项研究[25,37]因没有明确指出参与实验的受试者信息而未参与计算上述均值。在所分析的26篇文献中，仅有2篇文献明确涉及患者[17,33]，绝大多数文献均采用正常健康人来验证所构建的脑控轮椅系统的可行性。

在脑控轮椅研究中，脑-机接口通常采用3种控制方式(即低水平、高水平、共享)作用于轮椅。低水平控制：由脑-机接口输出指令直接控制轮椅，用户可以自由控制轮椅，脑控轮椅系统无需额外的机器智能，因此，整个系统的成本和计算复杂度低,然而长时间控制易使用户疲劳。高水平控制：脑控轮椅系统必须配备某些机器智能，用户仅需发送目标的指令，然后系统将按照所选目标的具体路径自动驾驶轮椅,但用户缺乏自由控制且仅限于预先定义的目标。共享控制：用户和系统共享控制，通常采用2种形式来实现，即①用户发送低水平控制指令，而系统通过诸如躲避障碍物或最大似然指令执行等功能来辅助导航；②用户能在低、高水平两种控制方式间自由切换。相比于低水平的控制方式，高水平控制和共享控制依赖于轮椅的机器智能；在驱驶轮椅的安全性和用户意图推测的准确性上更有保证；用户无需频繁地发送指令，能够降低用户的疲劳程度；由于使用了一系列传感器，其成本和计算复杂度高。所调研的文献中，19篇文献采用低水平的控制方式，4篇文献采用高水平的控制方式，5篇采用共享控制方式。可以看出，相比于高水平或共享的控制方式，低水平的控制方式有更大程度的应用。这可能与目前轮椅控制所需的指令数量较少(如：前进、后退、左转、右转)有关。

虽然严重运动障碍患者是脑控轮椅的目标人群，但所调研的文献中仅有7.14%的文献明确涉及患者，而绝大多数的文献都是采用正常健康人来验证脑控轮椅系统的可行性，并且平均一项研究只有5.73人参与。因此，未来的研究有必要利用严重运动障碍患者验证系统的可行性，以及增加验证系统的人数。

目前，大多数基于稳态视觉诱发电位的脑控轮椅采用实验研究用的脑电放大器来构建系统。虽然这些脑电放大器能够确保采集的脑电信号具有较高的质量进而便利脑电解码，但却会带来整个系统笨重、成本增加和不便于携带等问题。为了提高脑控轮椅系统的便携性，未来可尝试利用小型、轻量化无线脑电放大器来采集脑电信号。

本次沙坑护坡采用植被铅丝笼护岸。该模式是传统铅丝笼护岸的变革，它整体性好，抗冲能力强，适应不同岸坡，石缝间隙利于生物生长，铅丝寿命10～15年，但岸坡灌木长成之后，其根系将替代铅丝起捆束卵石作用。铅丝笼护坡厚40 cm，坡比为1∶2.5，护脚厚100 cm，宽200 cm。

公摊擅挪作商用成为“糊涂账”。记者了解到，现实中存在大量开发商、物业公司私自将公摊设施卖出或租赁的情况，损伤了业主权益。开发商采取的一般做法是先将停车场、楼道等公共面积纳入公摊，由全体业主埋单，再二次出售或出租广告位牟利。

作为基于稳态视觉诱发电位的脑控轮椅的核心技术——基于稳态视觉诱发电位的脑-机接口，除了在脑电采集上可进一步提升外，在视觉信息编码和脑电解码方面也可有所改进。目前大多数基于稳态视觉诱发电位的脑控轮椅系统采用低频刺激。虽然低频刺激能够诱发出较强的稳态视觉诱发电位，但低频刺激闪烁强烈，易引起用户疲劳。下一步工作可尝试利用高频刺激，提高用户的舒适度。另外也可采用诸如滤波器组典型相关分析(filter bank canonical correlation analysis,FBCCA)[38]、扩展型典型相关分析[4]、任务相关成分分析(task-related component analysis,TRCA)[39]等高级的脑电解码算法和混合脑-机接口以提高系统性能。

虽然大多数研究通过各自设计的在线实验，验证了所构建的脑控轮椅原理样机的可行性，但是脑控轮椅系统性能评测并没有标准方法，各文献采用的性能评测方法也不尽相同，不便于相互比较。在以ITR为系统性能评估指标的研究中，脑控轮椅系统所能达到的最高ITR为86.17 bit/min[11]。为了评估和比较不同方法或系统的性能，应该建立涵盖用户、任务和环境、性能指标等信息的标准性能评测方法。

（1）交通载荷作为工程设计中重要的荷载作用，不仅要在道路设计和路基沉降计算中考虑，更应在其他工程应用方面将此因素考虑进去。

3　结语

综上所述，目前基于稳态视觉诱发电位的脑控轮椅研究仍处于实验室研究阶段，以脑控轮椅原理样机为主，在脑-机接口和机器智能等方面仍需进一步发展。针对基于稳态视觉诱发电位的脑控轮椅的研究现状，本文给出了未来努力的方向。预计在不远的将来，随着诸如高性能的脑-机接口、生物智能与机器智能的深度融合、脑电采集等关键技术的发展，必然进一步推动脑控轮椅技术的实用化进程。

参考文献

[1]　Carlson T,Millán JR. Brain-controlled wheelchairs:a robotic architecture[J]. IEEE Robotics and Automation Magazine,2013,20(1):65-73.

[2]　Wolpaw JR,Birbaumer N,McFarland DJ,et al. Brain-computer interfaces for communication and control[J]. Clinical Neurophysiology,2002,113(6):767-791.

[3]　Allison BZ,Wolpaw EW,Wolpaw JR. Brain-computer interface systems:progress and prospects[J]. Expert Review of Medical Devices,2007,4(4):463-474.

[4]　Chen X,Wang Y,Nakanishi M,et al. High-speed spelling with a noninvasive brain-computer interface[J]. Proceedings of the National Academy of Sciences of the United States of America,2015,112(44):E6058-E6067.

[5]　Meng J,Zhang S,Bekyo A,et al. Noninvasive electroencephalogram based control of a robotic arm for reach and grasp tasks[J]. Scientific Reports,2016,6:38565.

[6]　Fernández-Rodríguez á,Velasco-álvarez F,Ron-Angevin R. Review of real brain-controlled wheelchairs[J]. Journal of Neural Engineering,2016,13(6):061001.

[7]　Tanaka K,Matsunaga K,Wang HO. Electroencephalogram-based control of an electric wheelchair[J]. IEEE Transactions on Robotics,2005,21 (4):762-766.

[8]　　　　李鹏海，丁皓，万柏坤，等. 脑-机接口在移动外设控制中的应用研究进展[J]. 生物医学工程学杂志,2011,28 (3):613-617.

Li PH,Ding H,Wang BK,et al. Research progress on application of brain-computer-interface in mobile peripheral control[J]. Journal of Biomedical Engineering,2011,28 (3):613-617.

[9]　Bi L,Fan XA,Liu Y. EEG-based brain-controlled mobile robots:a survey[J]. IEEE Transactions on Human-Machine Systems,2013,43 (2):161-176.

[10]　Mandel C,Lüth T,Laue T,et al. Navigating a smart wheelchair with a brain-computer interface interpreting steady-state visual evoked potentials[C]//2009 IEEE/RSJ International Conference on Intelligent Robots and Systems. Piscataway,NJ,USA:IEEE Press,2009:1118-1125.

[11]　Muller SMT,Celeste WC,Bastos-Filho TF,et al. Brain-computer interface based on visual evoked potentials to command autonomous robotic wheelchair[J]. Journal of Medical and Biological Engineering,2010,30(6):407-416.

[12]　Bastos TF,Muller SMT,Benevides AB,et al. Robotic wheelchair commanded by SSVEP,motor imagery and word generation [C]// International Conference of the IEEE EMBS.Boston,USA:IEEE Press,2011:4753-4756.

[13]　Müller SMT,Bastos-Filho TF,Sarcinelli-Filho M. Using a SSVEP-BCI to command a robotic wheelchair[C]// IEEE International Symposium on Industrial Electronics.Gdansk,Poland:IEEE Press,2011,24:957-962.

[14]　Müller SMT,Bastos TF,Sarcinelli Filho M. Proposal of a SSVEP-BCI to command a robotic wheelchair[J]. Journal of Control,Automation and Electrical Systems,2013,24(1-2):97-105.

[15]　Xu Z,Li J,Gu R,et al. Steady-state visually evoked potential (SSVEP)-based brain-computer interface (BCI):a low-delayed asynchronous wheelchair control system[C]//International Conference on Neural Information Processing,Doha,Qatar,2012:305-314.

[16]　Li Y,Pan J,Wang F,et al. A hybrid BCI system combining P300 and SSVEP and its application to wheelchair control[J]. IEEE Transactions on Biomedical Engineering,2013,60(11):3156-3166.

[17]　Diez PF,Müller SMT,Mut VA,et al. Commanding a robotic wheelchair with a high-frequency steady-state visual evoked potential based brain-computer interface [J]. Medical Engineering and Physics,2013,35(8):1155-1164.

[18]　Punsawad Y,Wongsawat Y. Hybrid SSVEP-motion visual stimulus based BCI system for intelligent wheelchair[C]// International Conference of the IEEE EMBS.Osaka,Japan:IEEE Press,2013:7416-7419.

[19]　Li J,Ji H,Cao L,et al. Wheelchair control based on multimodal brain-computer interfaces[C]//International Conference on Neural Information Processing. Daegu,South Korea:IEEE Press,2013:434-441.

[20]　徐光华，张锋，王晶，等. 面向智能轮椅脑机导航的高频组合编码稳态视觉诱发电位技术研究[J]. 机械工程学报,2013,49 (6):21-29.

Xu GH,Zhang F,Wang J,et al. Research on key technology on time series combination coding-based high-frequency SSVEP in intelligent wheelchair BCI navigation[J]. Journal of Mechanical Engineering,2013,49 (6):21-29.

[21]　Cao L,Li J,Ji H,et al. A hybrid brain computer interface system based on the neurophysiological protocol and brain-actuated switch for wheelchair control [J]. Journal of Neuroscience Methods,2014,229:33-43.

[22]　Ng DWK,Soh YW,Goh SY,et al. Development of an autonomous BCI wheelchair[C]//2014 IEEE Symposium on Computational Intelligence in Brain Computer Interfaces. Orlando,FL,USA:IEEE Press,2014:1-4.

[23]　Duan J,Li Z,Yang C,et al. Shared control of a brain-actuated intelligent wheelchair[C]// The 11th World Congress on Intelligent Control and Automation. Shenyang,China:IEEE Press,2014:341-346.

[24]　Omar T,Wassim Z,Mohamed BM. Steady-state visual evoked potential based brain controlled wheelchair system[C]//The First International Image Processing,Applications and Systems Conference. Sfax,Tunisia,2014:1-6.

[25]　Widyotriatmo A,Andronicus S. A collaborative control of brain computer interface and robotic wheelchair[C]// The 10th Asian Control Conference. Kota Kinabalu,Malaysia,2015:1-6.

[26]　Turnip M,Dharma A,Pasaribu HHS,et al. An application of online ANFIS classifier for wheelchair based brain computer interface[C]//2015 International Conference on Automation,Cognitive Science,Optics,Micro Electro-Mechanical System,and Information Technology. Bandung,Indonesia,2015:134-137.

[27]　Turnip A,Suhendra MA,WS MS. Brain-controlled wheelchair based EEG-SSVEP signals classified by nonlinear adaptive filter[C]// 2015 IEEE International Conference on Rehabilitation Robotics. Singapore,Singapore:IEEE Press,2015:905-908.

[28]　Turnip A,Soetraprawata D,Tamba TA. EEG-SSVEP signals extraction with nonlinear adaptive filter for brain-controlled wheelchair[C]//The 15th International Conference on Control,Automation and Systems. Busan,South Korea,2015:1870-1873.

[29]　Turnip A,Simbolon AI,Amri MF,et al. Utilization of EEG-SSVEP method and ANFIS classifier for controlling electronic wheelchair[C]//2015 International Conference on Technology,Informatics,Management,Engineering & Environment. Samosir,Indonesia,2015:143-146.

[30]　Tello RMG,Valadao C,Müller S,et al. Performance improvements for navigation of a robotic wheelchair based on SSVEP-BCI[C]// Conference:XII SBAI-Simpósio Brasileiro de Automação Inteligente 2015. Natal,Brazil,2015:1-6.

[31]　Tello RJ,Bissoli ALC,Ferrara F,et al. Development of a human machine interface for control of robotic wheelchair and smart environment[C]//The 11th IFAC Symposium on Robot Control.Salvador, BA,Brazil,2015:144-149.

[32]　Andronicus S,Harjanto NC,Suprijanto,et al. Heuristic steady state visual evoked potential based brain computer interface system for robotic wheelchair application[C]// 4th International Conference on Instrumentation,Communications,Information Technology,and Biomedical Engineering. Bandung,Indonesia,2015:94-97.

[33]　Müller SMT,Diez PF,Bastos-Filho TF,et al. Robotic wheelchair commanded by people with disabilities using low/high-frequency ssvep-based BCI[C]// World Congress on Medical Physics and Biomedical Engineering. Toronto,Canada,2015,51:1177-1180.

[34]　Li Z,Yang C,Zhao S,et al. Shared control of an intelligent wheelchair with dynamic constraints using brain-machine interface[C]// International Conference on Intelligent Robotics and Applications. Portsmouth,UK,2015:260-271.

[35]　Lin YT,Kuo CH. Development of SSVEP-based intelligent wheelchair brain computer interface assisted by reactive obstacle avoidance[C]//2016 IEEE International Conference on Industrial Technology. Taipei,China:IEEE Press,2016:1572-1577.

[36]　Achic F,Montero J,Penaloza C,et al. Hybrid BCI system to operate an electric wheelchair and a robotic arm for navigation and manipulation tasks[C]//2016 IEEE Workshop on Advanced Robotics and its Social Impacts. Shanghai,China:IEEE Press,2016:249-254.

[37]　Waytowich NR,Krusienski DJ. Development of an extensible SSVEP-BCI software platform and application to wheelchair control [C]//the 8th International IEEE/EMBS Conference on Neural Engineering. Shanghai,China:IEEE Press,2017:529-532.

[38]　Chen X,Wang Y,Gao S,et al. Filter bank canonical correlation analysis for implementing a high-speed SSVEP-based brain-computer interface[J]. Journal of Neural Engineering,2015,12(4):046008.

[39]　Nakanishi M,Wang Y,Chen X,et al. Enhancing detection of SSVEPs for a high-speed brain speller using task-related component analysis[J]. IEEE Transactions on Biomedical Engineering,2018,65(1):104-112.