Altaheri/EEG-ATCNet

解决的问题

本项目实现了一种用于分类运动想象（MI）EEG信号的神经网络架构。它解决了准确解码与运动想象相关的脑信号的挑战，以实现更优的脑-计算机接口（BCI）。

工作原理

ATCNet 采用物理信息驱动的方法，结合了三个主要组件：

1. 卷积（CV）块：从EEG信号中提取低层次的时空信息，转化为高层次的时间表示。
2. 注意力（AT）块：使用多头自注意力（MHA）突出时间序列中最关键的信息。
3. 时序卷积（TC）块：从突出的数据中提取高层次的时间特征。

该模型还采用基于卷积的滑动窗口进行数据增强，以提升分类性能。支持多种注意力机制，包括多头自注意力（mha）、局部自注意力（mhla）、挤压-激励（se）和卷积块注意力模块（cbam）。

适用人群

使用 TensorFlow 进行基于EEG的运动想象分类、脑-计算机接口和神经信号处理的研究人员与开发者。

主要亮点

• 物理信息驱动的架构：结合卷积层、注意力机制与时序卷积网络。
• 支持多模型对比：包含 EEGNet、EEG-TCNet、DeepConvNet 等多种模型的实现，便于对比。
• 灵活的注意力机制：支持多种可互换的注意力模块（MHA、MHLA、SE、CBAM）。
• 评估策略完善：提供针对个体特定和个体独立（留一被试）评估的工具。