torcheeg/torcheeg

何を解決するか

TorchEEGは、プラグアンドプレイのライブラリを提供することで、脳波 (EEG) 信号の解析プロセスを簡素化します。データIO、前処理、データセットの分割といった反復的な技術的詳細を研究者が扱う必要をなくし、本来の研究目標に集中できるようにします。

仕組み

PyTorchをベースに構築されたこのライブラリは、EEG解析をいくつかのモジュールコンポーネントに整理しています：

• データIOとデータセット (Data IO and Datasets)：統一された入出力フォーマットを実装し、ベンチマークデータセット（例：DEAP、SEED、DREAMER、AMIGOS）の組み込みサポートを提供することで、迅速なアクセスと再現性を確保します。
• 変換 (Transforms)：特徴量エンジニアリング（例：帯域パワースペクトル密度）、一般的な操作（正規化）、およびCNN（グリッド変換）やGNN（グラフ変換）などの異なるモデルアーキテクチャ向けの特定の表現など、幅広い前処理ツールを提供します。
• モデル選択 (Model Selection)：被験者依存 (subject-dependent) や被験者独立 (subject-independent, leave-one-subject-out) の分割など、EEG研究に特化したデータ分割手法を提供します。
• モデル (Models)：畳み込みニューラルネットワーク (CNNs)、グラフ畳み込みニューラルネットワーク (GCNs)、Transformersなど、発表された論文に基づく深層学習アーキテクチャの実装が含まれています。

対象ユーザー

EEG信号を扱う研究者やデータサイエンティストで、既存の研究を迅速に再現したり、パイプライン全体をゼロから構築することなく新しい深層学習ベースの解析手法を開発したいと考えている方。

ハイライト

• ハイブリッド前処理：オフライン処理（一度保存して何度も使用）とオンライン処理（オンザフライ変換）の両方をサポート。
• 統一されたIO：EEGデータの保存と読み込み方法を標準化し、トレーニングを高速化。
• 多様なモデルサポート：CNNs、GNNs、Transformersのすぐに使える実装。
• 専門的な分割：ブレイン・コンピュータ・インターフェース研究で一般的な、被験者固有のクロスバリデーションを組み込みでサポート。