EEG-ATCNet

本仓库提供了论文《基于物理信息的注意力时间卷积网络用于脑电图运动想象分类》中提出的注意力时间卷积网络(ATCNet)的代码。

作者：Hamdi Altaheri, Ghulam Muhammad, Mansour Alsulaiman

沙特阿拉伯国王大学智能机器人研究中心

更新：

ATCNet的正则化参数已经修改，resulting in提高了模型性能并增强了抗过拟合能力。
目前的main_TrainTest.py文件遵循论文1和论文2中概述的训练和评估方法，但已被确定为不符合行业最佳实践。因此，我们强烈建议采用在改进的main_TrainValTest.py文件中实现的方法。这个更新版本将数据分为训练/验证/测试集，遵循这篇文章中详细说明的指南（选项2）。

除了提出的ATCNet模型外，models.py文件还包括其他相关方法的实现，这些方法可以与ATCNet进行比较，包括：

EEGNet，[论文，原始代码]
EEG-TCNet，[论文，原始代码]
TCNet_Fusion，[论文]
MBEEG_SENet，[论文]
EEGNeX，[论文，原始代码]
DeepConvNet，[论文，原始代码]
ShallowConvNet，[论文，原始代码]

下表显示了ATCNet和其他复现模型基于main_TrainValTest.py文件中定义的方法的性能：

模型	参数数量	BCI 竞赛 IV-2a 数据集 (BCI 4-2a)		高伽马数据集 (HGD)^*
模型	参数数量	训练时间(分钟)^1,2	准确率(%)	训练时间(分钟)^1,2	准确率(%)
ATCNet	113,732	13.5	81.10	62.6	92.05
TCNet_Fusion	17,248	8.8	69.83	65.2	89.73
EEGTCNet	4,096	7.0	65.36	36.8	87.80
MBEEG_SENet	10,170	15.2	69.21	104.3	90.13
EEGNet	2,548	6.3	68.67	36.5	88.25
DeepConvNet	553,654	7.5	42.78	43.9	87.53
ShallowConvNet	47,364	8.2	67.48	61.8	87.00

^{1 使用 Nvidia GTX 1080 Ti 12GB}
^{2 (500轮，无提前停止)}
^{* 请注意，HGD用于"实际运动"而非"运动想象"}

本仓库在attention_models.py文件中包含以下注意力机制的实现：

这些注意力模块可以通过attention_models.py文件中的*attention_block(net, attention_model)方法调用，其中'net'是输入层，'attention_model'*表示注意力机制的类型，有五个选项：None、'mha'、'mhla'、'cbam'和'se'。

示例：
    input = Input(shape = (10, 100, 1))   
    block1 = Conv2D(1, (1, 10))(input)
    block2 = attention_block(block1,  'mha') # mha: 多头自注意力
    output = Dense(4, activation="softmax")(Flatten()(block2))

preprocess.py文件基于两种方法加载和划分数据集：

特定受试者（受试者相关）方法。在这种方法中，我们使用与原始BCI-IV-2a竞赛划分相同的训练和测试数据，即第1阶段的试验用于训练，第2阶段的试验用于测试。
留一受试者法（LOSO）方法。LOSO用于受试者无关评估。在LOSO中，模型通过多个折叠进行训练和评估，折叠数等于受试者数量，每个折叠中使用一个受试者进行评估，其他受试者用于训练。LOSO评估技术确保使用训练数据中未出现的独立受试者来评估模型。

preprocess.py文件中的get_data()方法用于加载数据集并将其分为训练集和测试集。该方法默认使用特定受试者方法。如果您想使用受试者无关（LOSO）方法，请将参数LOSO设置为True。