Among the Steady-state visual evoked potential (SSVEP)-based brain-computer interfaces (BCIs), the phase-tagged SSVEP (p-SSVEP) has been proved a reliable paradigm to extend the number of available targets, especially for high-frequency SSVEP-based BCIs. However, the recognition efficiency of the high-frequency p-SSVEP still remains relatively low. A longer data segment may achieve a higher classification accuracy, but the time consumption of computation leads to the decrease of information transfer rate. This paper presents a recursive Bayesian-based approach to improve the high-frequency p-SSVEP classification efficiency. In each signal processing period, the classification result is generated by the current scores, the condition probability and a recursive prior probability (dynamic prior probability). The experiment displays the SSVEP stimuli with 20 Hz and 30 Hz respectively, and each frequency contains six phases. This paper compared three classification approaches and the recursive Bayesian-based approach could obtain the highest classification accuracy and practical bit rate under the same data length. The mean accuracy and practical bit rate were 89.7% and 37.8 bits/min with 20Hz, and 89.0% and 36.5 bits/min with 30Hz, respectively Furthermore, the recursive Bayesian-based approach could reduce the individual differences among different subjects. Therefore, the recursive Bayesian-based approach can lead to high classification efficiency in high-frequency p-SSVEP.

中文翻译：

---

通过递归贝叶斯方法提高高频相位标记SSVEP的分类效率。

在基于稳态视觉诱发电位（SSVEP）的脑机接口（BCI）中，相位标记的SSVEP（p-SSVEP）已被证明是可靠的范例，可以扩展可用目标的数量，特别是对于高频基于SSVEP的BCI。但是，高频p-SSVEP的识别效率仍然保持较低。较长的数据段可以实现较高的分类精度，但是计算的时间消耗导致信息传输速率降低。本文提出了一种基于递归贝叶斯的方法来提高高频p-SSVEP分类效率。在每个信号处理周期中，分类结果由当前分数，条件概率和递归先验概率（动态先验概率）生成。实验显示了分别为20 Hz和30 Hz的SSVEP刺激，每个频率包含六个相位。本文比较了三种分类方法，基于递归贝叶斯的方法可以在相同数据长度下获得最高的分类精度和实用的比特率。在20Hz时，平均准确度和实用比特率分别为89.7％和37.8位/分钟，在30Hz时分别为89.0％和36.5位/分钟。基于贝叶斯的递归方法可以减少不同主体之间的个体差异。因此，基于递归贝叶斯的方法可以导致高频p-SSVEP中的高分类效率。本文比较了三种分类方法，基于递归贝叶斯的方法可以在相同数据长度下获得最高的分类精度和实用的比特率。在20Hz时，平均准确度和实用比特率分别为89.7％和37.8位/分钟，在30Hz时分别为89.0％和36.5位/分钟。基于贝叶斯的递归方法可以减少不同主体之间的个体差异。因此，基于递归贝叶斯的方法可以导致高频p-SSVEP中的高分类效率。本文比较了三种分类方法，基于递归贝叶斯的方法可以在相同数据长度下获得最高的分类精度和实用的比特率。在20Hz时，平均准确度和实用比特率分别为89.7％和37.8位/分钟，在30Hz时分别为89.0％和36.5位/分钟。基于贝叶斯的递归方法可以减少不同主体之间的个体差异。因此，基于递归贝叶斯的方法可以导致高频p-SSVEP中的高分类效率。基于贝叶斯的递归方法可以减少不同主体之间的个体差异。因此，基于递归贝叶斯的方法可以导致高频p-SSVEP中的高分类效率。基于贝叶斯的递归方法可以减少不同主体之间的个体差异。因此，基于递归贝叶斯的方法可以导致高频p-SSVEP中的高分类效率。