La aplicación de dispositivos electroencefalográficos (EEG) portátiles está creciendo en las interfaces cerebro-computadora (BCI) debido a su buena portabilidad y facilidad de uso. Comparados con los dispositivos convencionales, los dispositivos portátiles suelen soportar menos canales de EEG. Los dispositivos con pocos canales de EEG han demostrado ser útiles para BCI basados en potenciales evocados visuales de estado estable (SSVEP). Sin embargo, los EEG con pocos canales pueden disminuir el rendimiento del BCI. Para abordar este problema, se propone en este estudio una red neuronal convolucional de espectro complejo basada en atención (atten-CCNN), que combina una CNN con un bloque de compresión y excitación y utiliza el espectro de la señal de EEG como entrada. El modelo propuesto fue evaluado en un conjunto de datos de 40 clases portátil y un conjunto de datos público de 12 clases bajo condiciones independientes y dependientes del sujeto. Los resultados muestran que, ya sea utilizando un EEG de tres canales o un EEG de un solo canal para la identificación de SSVEP, atten-CCNN superó a los modelos base, lo que indica que el nuevo modelo puede mejorar efectivamente el rendimiento de SSVEP-BCI con EEG de pocos canales. Por lo tanto, este algoritmo de identificación de SSVEP basado en EEG de pocos canales es particularmente adecuado para su uso con dispositivos EEG portátiles.