Deep Learning for BCI下载 - Deep Learning for BCI源代码下载

Deep Learning for BCI

Ai源码

1.0.0

下载

脑机接口 (BCI) 深度学习

书籍作者：张翔博士 ([email protected])、姚丽娜教授 ([email protected])

更新

来自 EEGMMIDB 的 109 名受试者的全部经过精心处理和 DL 就绪的数据已上传！

概述

本教程包含可实现的 python 和 jupyter 笔记本代码和基准数据集，以学习如何基于深度学习模型识别大脑信号。本教程将我们对基于 DL 的非侵入性大脑信号的调查与基于 DL 的 BCI：表示、算法和应用的书籍相关联。

我们根据采集方法提出了 BCI 信号范例的新分类法。 ECOG：皮质电图、EEG：脑电图、fNIRS：功能性近红外光谱、fMRI：功能性磁共振成像、EOG：眼电图、MEG：脑磁图。

我们系统地介绍了深度学习模型的基础知识。 MLP：多层感知器、RNN：循环神经网络、CNN：卷积神经网络、LSTM：长短期记忆、GRU：门控循环单元、AE：自动编码器、RBM：受限玻尔兹曼机、DBN：深度置信网络、VAE ：变分自动编码器，GAN：生成对抗网络。 D-AE表示Stacked-Autoencoder，指具有多个隐藏层的自动编码器。深度置信网络可以由AE或RBM组成，因此，我们将DBN分为DBN-AE（堆叠式AE）和DBN-RBM（堆叠式RBM）。

此外，还从信号类别、深度学习模型和应用等方面为BCI系统的研究和设计提供了指导。下图显示了基于深度学习的 BCI 研究中信号和深度学习模型的分布。

信号分布	DL 模型上的分布

在算法方面，特别关注基于脑电图的脑机接口研究的深度学习的最新研究。具体来说，我们针对BCI中的几个主要问题引入了许多先进的深度学习算法和框架，包括鲁棒的大脑信号表示学习、跨场景分类和半监督分类。
此外，还提出了几种基于深度学习的 BCI 系统的新颖原型，这些原型为诸如身份验证、视觉重建、语言解释和神经疾病诊断等现实世界的应用带来了启发。此类应用程序可以极大地造福现实生活中的健康人和残疾人。

BCI 数据集

收集大脑信号在经济上和时间上都是昂贵的。我们广泛探索了适用于降雨信号研究的基准数据集，并提供了 31 个公共数据集以及涵盖大多数大脑信号类型的下载链接。

大脑信号	数据集	＃-主题	#-类	采样率（赫兹）	#-频道	下载链接
调频生态G	BCI-C IV，数据集 IV	3	5	1000	48 -- 64	关联
心肌梗死生态图	BCI-C III 数据集一	1	2	1000	64	关联
睡眠脑电图	睡眠-EDF 遥测	22	6	100	2 脑电图、1 眼电图、1 肌电图	关联
睡眠脑电图	睡眠-EDF：盒式磁带	78	6	100, 1	2 次脑电图（100 赫兹）、1 次眼电图（100 赫兹）、 1 肌电图（1 赫兹）	关联
睡眠脑电图	质量-1	53	5	256	17/19 脑电图、2 眼电图、5 肌电图	关联
睡眠脑电图	质量-2	19	6	256	19 脑电图、4 眼电图、1 肌电图	关联
睡眠脑电图	质量-3	62	5	256	20 脑电图、2 眼电图、3 肌电图	关联
睡眠脑电图	质量-4	40	6	256	4 脑电图、4 眼电图、1 肌电图	关联
睡眠脑电图	质量-5	26	6	256	20 脑电图、2 眼电图、3 肌电图	关联
睡眠脑电图	SHHS	5804	不适用	125, 50	2 脑电图 (125 赫兹), 1 脑电图 (50 赫兹), 1 肌电图（125 赫兹）	关联
癫痫发作脑电图	CHB-麻省理工学院	22	2	256	18	关联
癫痫发作脑电图	TUH	315	2	200	19	关联
肌电图	脑电图GMMI	109	4	160	64	关联
肌电图	BCI-C II，数据集 III	1	2	128	3	关联
肌电图	BCI-C III，数据集 III a	3	4	250	60	关联
肌电图	BCI-C III，数据集 III b	3	2	125	2	关联
肌电图	BCI-C III，数据集 IV a	5	2	1000	118	关联
肌电图	BCI-C III，数据集 IV b	1	2	1001	119	关联
肌电图	BCI-C III，数据集 IV c	1	2	1002	120	关联
肌电图	BCI-C IV，数据集 I	7	2	1000	64	关联
肌电图	BCI-C IV，数据集 II a	9	4	250	22 脑电图、3 眼电图	关联
肌电图	BCI-C IV，数据集 II b	9	2	250	3 脑电图、3 眼电图	关联
情绪脑电图	阿米戈斯	40	4	128	14	关联
情绪脑电图	种子	15	3	200	62	关联
情绪脑电图	DEAP	32	4	第512章	32	关联
其他脑电图	打开 MIIR	10	12	第512章	64	关联
视觉诱发电位	BCI-C II，数据集 II b	1	36	240	64	关联
视觉诱发电位	BCI-C III，数据集 II	2	26	240	64	关联
功能磁共振成像	ADNI	第202章	3	不适用	不适用	关联
功能磁共振成像	布拉茨	65	4	不适用	不适用	关联
乙二醇	BCI-C IV，数据集 III	2	4	400	10	关联

为了让读者能够快速访问并使用该数据集，我们提供了经过精心处理且随时可用的脑电图运动/图像数据库（EEGMMIDB）数据集。该数据集包含 109 名受试者，脑电图信号以 160 Hz 采样率记录在 64 个通道中。经过我们的清理和排序，每个npy文件代表一个主题：每个npy文件的数据形状为[N, 65]，前64列对应64个通道特征，最后一列表示类标签。不同受试者的 N 不同，但 N 应该是 259520 或 255680。这是原始数据集的固有差异。

运行代码

在我们的教程文件中，您将学习 BCI 系统的管道和工作流程，包括数据采集、预处理、特征提取（可选）、分类和评估。我们提供了最典型的深度学习模型（GRU、LSTM、CNN、GNN）的必要参考和可操作代码，同时利用时间、空间和地形依赖性。我们还提供了非常方便的Python代码。例如，要检查CNN的EEG分类性能，请运行以下代码：

 python 4-2_CNN.py

对于 PyTorch 初学者，我们强烈推荐 Morvan Zhou 的 PyTorch 教程。

章节资源

对于书中介绍的算法和应用，我们提供了必要的实现代码（TensorFlow版本）：

自适应特征学习（第 7 章）
MindID：基于 EEG 的用户识别（第 9 章）
基于视觉诱发脑电图的图像重建（第10章）
大脑打字：将脑电图转换为文本（第 11 章）
神经系统疾病（癫痫）诊断（第 13 章）

引用

如果您发现我们的研究对您的研究有用，请考虑引用我们的调查或书籍：

 @article{zhang2020survey,
  title={A survey on deep learning-based non-invasive brain signals: recent advances and new frontiers},
  author={Zhang, Xiang and Yao, Lina and Wang, Xianzhi and Monaghan, Jessica JM and Mcalpine, David and Zhang, Yu},
  journal={Journal of Neural Engineering},
  year={2020},
  publisher={IOP Publishing}
}

@book{zhang2021deep,
  title={Deep Learning for EEG-based Brain-Computer Interface: Representations, Algorithms and Applications},
  author={Zhang, Xiang and Yao, Lina},
  year={2021},
  publisher={World Scientific Publishing}
}

要求

本教程代码经过测试可在 Python 3.7 下运行。

需要最新版本的 Pytorch、torch-geometric、numpy 和 scipy。可以使用以下命令安装所有必需的基本包： ''' pip install -r requests.txt '''注意：对于 toch-geometric 及其相关依赖项（例如 cluster、scatter、sparse），较高版本可能会工作但尚未经过测试。