torcheeg/torcheeg

它解決了什麼問題

TorchEEG 透過提供一個隨插即用的函式庫，簡化了腦電圖 (EEG) 訊號的分析流程。它消除了研究人員處理重複性技術細節（如資料 IO、預處理和資料集分割）的需求，讓他們能專注於核心研究目標。

運作方式

該函式庫基於 PyTorch 建構，將 EEG 分析組織為幾個模組化組件：

• 資料 IO 與資料集 (Data IO and Datasets)：實作了統一的輸入輸出格式，並提供對基準資料集（如 DEAP、SEED、DREAMER、AMIGOS）的內建支援，以確保快速存取與可重現性。
• 轉換 (Transforms)：提供廣泛的預處理工具，用於特徵工程（如頻帶功率譜密度）、一般操作（標準化），以及針對不同模型架構（如 CNN 的網格轉換與 GNN 的圖轉換）的特定表示法。
• 模型選擇 (Model Selection)：提供專為 EEG 研究設計的資料分割方法，包括受試者依賴 (subject-dependent) 與受試者獨立 (subject-independent, leave-one-subject-out) 的分割方式。
• 模型 (Models)：包含基於已發表論文的深度學習架構實作，例如卷積神經網路 (CNNs)、圖卷積神經網路 (GCNs) 和 Transformers。

適用對象

從事 EEG 訊號研究的研究人員與資料科學家，他們希望快速重現現有工作或開發新的深度學習分析方法，而無需從零開始建立整個流程。

特色亮點

• 混合預處理：支援離線處理（一次儲存，多次使用）與線上處理（即時轉換）。
• 統一 IO：標準化 EEG 資料的儲存與讀取方式，以加速訓練。
• 多元模型支援：開箱即用的 CNNs、GNNs 與 Transformers 實作。
• 專業分割：內建支援腦機介面研究中常見的受試者特定交叉驗證。