torcheeg/torcheeg

해결하는 문제

TorchEEG는 플러그 앤 플레이 라이브러리를 제공하여 뇌파 (EEG) 신호 분석 과정을 간소화합니다. 데이터 IO, 전처리, 데이터셋 분할과 같은 반복적인 기술적 세부 사항을 연구자가 직접 처리할 필요를 없애, 핵심 연구 목표에 집중할 수 있도록 돕습니다.

작동 방식

PyTorch를 기반으로 구축된 이 라이브러리는 EEG 분석을 다음과 같은 모듈형 구성 요소로 정리합니다:

• 데이터 IO 및 데이터셋 (Data IO and Datasets)：통합된 입출력 형식을 구현하고 벤치마크 데이터셋(예: DEAP, SEED, DREAMER, AMIGOS)에 대한 내장 지원을 제공하여 빠른 접근성과 재현성을 보장합니다.
• 변환 (Transforms)：특성 공학(예: 대역 전력 스펙트럼 밀도), 일반적인 작업(정규화), 그리고 CNN(그리드 변환) 및 GNN(그래프 변환)과 같은 다양한 모델 아키텍처를 위한 특정 표현 등 광범위한 전처리 도구를 제공합니다.
• 모델 선택 (Model Selection)：피험자 의존(subject-dependent) 및 피험자 독립(subject-independent, leave-one-subject-out) 분할을 포함하여 EEG 연구에 최적화된 데이터 분할 방법을 제공합니다.
• 모델 (Models)：합성곱 신경망(CNNs), 그래프 합성곱 신경망(GCNs), Transformers 등 발표된 논문을 기반으로 한 딥러닝 아키텍처 구현을 포함합니다.

대상 사용자

EEG 신호를 다루는 연구자 및 데이터 과학자로서, 전체 파이프라인을 처음부터 구축하지 않고도 기존 연구를 빠르게 재현하거나 새로운 딥러닝 기반 분석 방법을 개발하고자 하는 분들에게 적합합니다.

주요 특징

• 하이브리드 전처리：오프라인 처리(한 번 저장 후 여러 번 사용)와 온라인 처리(즉석 변환)를 모두 지원합니다.
• 통합 IO：EEG 데이터의 저장 및 읽기 방식을 표준화하여 학습 속도를 높입니다.
• 다양한 모델 지원：CNNs, GNNs, Transformers의 즉시 사용 가능한 구현을 제공합니다.
• 전문적인 분할：뇌-컴퓨터 인터페이스 연구에서 흔히 사용되는 피험자별 교차 검증을 내장 지원합니다.