Altaheri/EEG-ATCNet

해결하는 문제

이 프로젝트는 운동 상상(MI) EEG 신호를 분류하기 위한 신경망 아키텍처를 구현합니다. 운동 상상을 통해 발생하는 뇌 신호를 정확히 해독하는 도전 과제를 해결하여 더 나은 뇌-컴퓨터 인터페이스(BCI)를 가능하게 합니다.

작동 방식

ATCNet은 물리 기반 접근법을 사용하며, 세 가지 주요 구성 요소를 결합합니다:

1. 컨볼루션(CV) 블록: EEG 신호에서 저수준의 공간-시간 정보를 추출하여 고수준의 시간적 표현으로 변환합니다.
2. 어텐션(AT) 블록: 멀티헤드 자기 어텐션(MHA)을 사용하여 시간 시퀀스 내에서 가장 중요한 정보를 강조합니다.
3. 시계열 컨볼루션(TC) 블록: 강조된 데이터에서 고수준의 시간적 특징을 추출합니다.

모델은 컨볼루션 기반의 슬라이딩 윈도우를 사용하여 데이터 증강을 수행하고 분류 성능을 향상시킵니다. 또한 멀티헤드 자기 어텐션(mha), 국소성 자기 어텐션(mhla), 스queeze-and-excitation(se), 컨볼루션 블록 어텐션 모듈(cbam) 등 다양한 어텐션 방식을 지원합니다.

대상 사용자

TensorFlow를 사용하여 EEG 기반 운동 상상 분류, 뇌-컴퓨터 인터페이스, 신경 신호 처리에 종사하는 연구자 및 개발자입니다.

주요 특징

• 물리 기반 아키텍처: 컨볼루션 계층과 어텐션 메커니즘, 시계열 컨볼루션 네트워크를 통합합니다.
• 다수 모델과의 벤치마킹: EEGNet, EEG-TCNet, DeepConvNet 등 다양한 모델의 구현을 포함하여 비교 가능합니다.
• 유연한 어텐션: MHA, MHLA, SE, CBAM 등 여러 교환 가능한 어텐션 메커니즘을 지원합니다.
• 평가 전략: 개인별 및 개인 독립적(One Subject Out) 평가를 위한 도구를 제공합니다.