torcheeg/torcheeg

它解决了什么问题

TorchEEG 通过提供一个即插即用的库，简化了脑电图 (EEG) 信号的分析流程。它消除了研究人员处理重复性技术细节（如数据 IO、预处理和数据集划分）的需求，让他们能专注于核心研究目标。

运作方式

该库基于 PyTorch 构建，将 EEG 分析组织为几个模块化组件：

• 数据 IO 与数据集 (Data IO and Datasets)：实现了统一的输入输出格式，并提供对基准数据集（如 DEAP、SEED、DREAMER、AMIGOS）的内置支持，以确保快速访问与可复现性。
• 转换 (Transforms)：提供广泛的预处理工具，用于特征工程（如频带功率谱密度）、一般操作（标准化），以及针对不同模型架构（如 CNN 的网格转换与 GNN 的图转换）的特定表示法。
• 模型选择 (Model Selection)：提供专为 EEG 研究设计的划分方法，包括受试者依赖 (subject-dependent) 与受试者独立 (subject-independent, leave-one-subject-out) 的划分方式。
• 模型 (Models)：包含基于已发表论文的深度学习架构实现，例如卷积神经网络 (CNNs)、图卷积神经网络 (GCNs) 和 Transformers。

适用对象

从事 EEG 信号研究的研究人员与数据科学家，他们希望快速复现现有工作或开发新的深度学习分析方法，而无需从零开始构建整个流程。

特色亮点

• 混合预处理：支持离线处理（一次存储，多次使用）与在线处理（即时转换）。
• 统一 IO：标准化 EEG 数据的存储与读取方式，以加速训练。
• 多元模型支持：开箱即用的 CNNs、GNNs 与 Transformers 实现。
• 专业划分：内置支持脑机接口研究中常见的受试者特定交叉验证。