Como una señal electroencefalográfica (EEG) informativa, el potencial evocado visual en estado estable (SSVEP) se destaca entre muchos paradigmas para su aplicación en dispositivos portátiles inalámbricos. Sin embargo, sus datos suelen ser enormes, ocupan demasiados recursos de ancho de banda y requieren una gran cantidad de energía cuando se transmiten en forma de datos en bruto, por lo que es necesario comprimir la señal. Este artículo propone un algoritmo de compresión y reconstrucción de EEG personalizado para la aplicación SSVEP. En el algoritmo, para realizar la personalización, primero se preentrena un modelo de red neuronal artificial (ANN) primaria con la base de datos de referencia abierta para la aplicación BCI (BETA). Luego, se genera un modelo ANN adaptativo con aprendizaje incremental para cada sujeto para comprimir sus datos individuales. Además, se propone un método de cuantización no uniforme personalizado para reducir los errores causados por la compresión. La precisión de reconocimiento solo disminuye en un 3.79% cuando la tasa de compresión es de 12.7 veces, y se prueba en BETA. El algoritmo propuesto puede reducir la pérdida de señal de un 50.43% a un 81.08% en la prueba de precisión en comparación con el caso sin ANN y cuantización uniforme.