Objective: The current state-of-the-art methods significantly improve the detection performance of the steady-state visual evoked potentials (SSVEPs) by using the individual calibration data. However, the time-consuming calibration sessions limit the number of training trials and may give rise to visual fatigue, which weakens the effectiveness of the individual training data. For addressing this issue, this study proposes a novel inter- and intra-subject maximal correlation (IISMC) method to enhance the robustness of SSVEP recognition via employing the inter- and intra-subject similarity and variability. Through efficient transfer learning, similar experience under the same task is shared across subjects. Methods: IISMC extracts subject-specific information and similar task-related information from oneself and other subjects performing the same task by maximizing the inter- and intra-subject correlation. Multiple weak classifiers are built from several existing subjects and then integrated to construct the strong classifiers by the average weighting. Finally, a powerful fusion predictor is obtained for target recognition. Results: The proposed framework is validated on a benchmark data set of 35 subjects, and the experimental results demonstrate that IISMC obtains better performance than the state of the art task-related component analysis (TRCA). Significance: The proposed method has great potential for developing high-speed BCIs.

中文翻译：

---

跨科目协助：科目间和科目内最大相关性，以增强基于SSVEP的BCI的性能

目的：当前的最新方法通过使用单独的校准数据，可以显着提高稳态视觉诱发电位（SSVEP）的检测性能。但是，耗时的校准会话限制了训练试验的次数，并可能导致视觉疲劳，从而削弱了单个训练数据的有效性。为了解决这个问题，本研究提出了一种新颖的对象间和对象间最大相关性（IISMC）方法，以通过利用对象间和对象间的相似性和可变性来增强SSVEP识别的鲁棒性。通过有效的迁移学习，可以跨学科共享同一任务下的相似经验。方法：IISMC通过最大化受试者间和受试者内的相关性，从自己和执行相同任务的其他受试者中提取受试者特定信息和类似任务相关信息。从多个现有主题构建多个弱分类器，然后通过平均加权将其整合以构造强分类器。最终，获得了强大的融合预测因子用于目标识别。结果：所提出的框架在35个主题的基准数据集上得到了验证，实验结果表明IISMC的性能优于与任务相关的组件分析（TRCA）的状态。启示：所提出的方法对于发展高速BCI具有很大的潜力。从多个现有主题构建多个弱分类器，然后通过平均加权将其整合以构造强分类器。最终，获得了强大的融合预测因子用于目标识别。结果：所提出的框架在35个主题的基准数据集上得到了验证，实验结果表明IISMC的性能优于与任务相关的组件分析（TRCA）的状态。启示：所提出的方法对于发展高速BCI具有很大的潜力。从多个现有主题构建多个弱分类器，然后通过平均加权将其整合以构造强分类器。最终，获得了强大的融合预测因子用于目标识别。结果：所提出的框架在35个主题的基准数据集上得到了验证，实验结果表明IISMC的性能优于与任务相关的组件分析（TRCA）的状态。启示：所提出的方法对于发展高速BCI具有很大的潜力。实验结果表明，IISMC的性能优于最新的任务相关组件分析（TRCA）。启示：所提出的方法对于发展高速BCI具有很大的潜力。实验结果表明，IISMC的性能优于最新的任务相关组件分析（TRCA）。启示：所提出的方法对于发展高速BCI具有很大的潜力。