#利用CCA识别SSVEP信号的数学解释
#本篇由BCIduino脑机接口开源社区整理（公众号“BCIduino脑机接口社区”）。BCIduino脑机接口社区由来自北京航空航天大学、康奈尔大学、北京大学、首都医科大学等硕博发起成立，欢迎加入社群，备注"BCI"，也欢迎采购BCIduino脑电模块（某宝搜索即可）。
SSVEP信号的特征分析主要是基于对刺激频率的识别。功率谱密度分析（PSDA）是提取SSVEP响应频率的传统方法。视觉刺激的频率是通过检测功率谱密度峰值的频率来确定的。
2006年，Lin等人，提出了典型相关分析（CCA）作为SSVEP特征识别算法。与PSDA相比，它可以将多通道信号的数据结合起来，提高信噪比，提高目标识别精度。CCA通过计算两组信号的典型相关系数来分析SSVEP信号。其中一组信号是记录的EEG信号
其中n是信号采集电极的数量。另一组Y i是与视觉刺激频率相对应的参考信号。
本文采用CCA方法的变形模态来确定识别目标。研究者用欧几里德范数组合每个刺激目标的n个相关系数，
