Altaheri/EEG-ATCNet

解決的問題

本專案實作一種用於分類運動想像（MI）EEG訊號的神經網路架構。它解決了準確解碼與運動想像相關的腦訊號的挑戰，以實現更優的腦-電腦介面（BCI）。

工作原理

ATCNet 採用物理資訊導向的方法，結合三個主要元件：

1. 卷積（CV）模組：從EEG訊號中提取低階的時空資訊，轉化為高階的時間表示。
2. 注意力（AT）模組：使用多頭自我注意力（MHA）強調時間序列中最關鍵的資訊。
3. 時序卷積（TC）模組：從強調的資料中提取高階的時間特徵。

模型亦採用基於卷積的滑動視窗進行資料增強，以提升分類效能。支援多種注意力機制，包括多頭自我注意力（mha）、局部自我注意力（mhla）、壓縮-激發（se）與卷積塊注意力模組（cbam）。

適用對象

使用 TensorFlow 進行基於EEG的運動想像分類、腦-電腦介面與神經訊號處理的研究人員與開發者。

主要亮點

• 物理資訊導向架構：結合卷積層、注意力機制與時序卷積網路。
• 支援多模型對比：包含 EEGNet、EEG-TCNet、DeepConvNet 等多種模型的實作，便於比較。
• 彈性注意力機制：支援多種可交換的注意力模組（MHA、MHLA、SE、CBAM）。
• 完善的評估策略：提供針對個體特定與個體獨立（留一被試）評估的工具。