Altaheri/EEG-ATCNet

何を解決するか

このプロジェクトは、運動想起（MI）EEG信号を分類するためのニューラルネットワークアーキテクチャを実装しています。運動想起に関連する脳信号を正確に解読するという課題に対処し、より優れた脳-コンピュータインターフェース（BCI）の実現を目指します。

動作原理

ATCNetは、物理法則に基づいたアプローチを採用し、以下の3つの主要なコンポーネントを組み合わせています：

1. 畳み込み（CV）ブロック：EEG信号から低レベルの空間時系列情報を抽出し、高レベルの時系列表現に変換します。
2. アテンション（AT）ブロック：マルチヘッド自己アテンション（MHA）を使用して、時系列内の最も重要な情報を強調します。
3. 時系列畳み込み（TC）ブロック：強調されたデータから高レベルの時系列特徴を抽出します。

モデルは畳み込みベースのスライディングウィンドウを用いてデータ拡張を行い、分類性能を向上させます。また、マルチヘッド自己アテンション（mha）、局所性自己アテンション（mhla）、シーザー・アテンション（se）、畳み込みブロックアテンションモジュール（cbam）など、さまざまなアテンション方式をサポートしています。

対象ユーザー

TensorFlowを用いてEEGベースの運動想起分類、脳-コンピュータインターフェース、および神経信号処理に取り組む研究者や開発者。

特徴

• 物理法則に基づいたアーキテクチャ：畳み込み層とアテンション機構、時系列畳み込みネットワークを統合。
• 複数モデルとのベンチマーク：EEGNet、EEG-TCNet、DeepConvNetなど、他のモデルの実装を含み、比較が可能。
• 柔軟なアテンション機構：MHA、MHLA、SE、CBAMなど、複数の交換可能なアテンションメカニズムをサポート。
• 評価戦略：被験者固有および被験者独立（1人を除いて全員で学習）の評価をサポートするツールを提供。