Deep Learning for BCI下載 - Deep Learning for BCI原始碼下載

Deep Learning for BCI

Ai源碼

1.0.0

下載

腦機介面 (BCI) 深度學習

書籍作者：張翔博士 ([email protected])、姚麗娜教授 ([email protected])

更新

來自 EEGMMIDB 的 109 名受試者的全部經過精心處理和 DL 就緒的數據已上傳！

概述

本教程包含可實現的 python 和 jupyter 筆記本程式碼和基準資料集，以學習如何基於深度學習模型識別大腦訊號。本教程將我們對基於 DL 的非侵入性大腦訊號的調查與基於 DL 的 BCI：表示、演算法和應用的書籍相關聯。

我們根據採集方法提出了 BCI 訊號範例的新分類法。 ECOG：皮質電圖、EEG：腦電圖、fNIRS：功能性近紅外光譜、fMRI：功能性磁振造影、EOG：眼電圖、MEG：腦磁圖。

我們有系統地介紹了深度學習模型的基礎。 MLP：多層感知器、RNN：循環神經網路、CNN：卷積神經網路、LSTM：長短期記憶、GRU：門控循環單元、AE：自動編碼器、RBM：受限玻爾茲曼機、DBN ：深度置信網路、VAE ：變分自動編碼器，GAN：生成對抗網路。 D-AE表示Stacked-Autoencoder，指有多個隱藏層的自動編碼器。深度置信網路可以由AE或RBM組成，因此，我們將DBN分為DBN-AE（堆疊式AE）和DBN-RBM（堆疊式RBM）。

此外，也從訊號類別、深度學習模型和應用等方面為BCI系統的研究和設計提供了指導。下圖顯示了基於深度學習的 BCI 研究中訊號和深度學習模型的分佈。

訊號分佈	DL 模型上的分佈

在演算法方面，特別關注基於腦電圖的腦機介面研究的深度學習的最新研究。具體來說，我們針對BCI中的幾個主要問題引入了許多先進的深度學習演算法和框架，包括穩健的大腦訊號表示學習、跨場景分類和半監督分類。
此外，還提出了幾種基於深度學習的 BCI 系統的新穎原型，這些原型為諸如身份驗證、視覺重建、語言解釋和神經疾病診斷等現實世界的應用帶來了啟發。此類應用程式可以極大地造福現實生活中的健康人和殘疾人。

BCI 資料集

收集大腦訊號在經濟和時間上都是昂貴的。我們廣泛探索了適用於降雨訊號研究的基準資料集，並提供了 31 個公共資料集以及涵蓋大多數大腦訊號類型的下載連結。

大腦訊號	數據集	＃-主題	#-類	取樣率（赫茲）	#-頻道	下載連結
調頻生態G	BCI-C IV，資料集 IV	3	5	1000	48 -- 64	關聯
心肌梗塞生態圖	BCI-C III 數據集一	1	2	1000	64	關聯
睡眠腦電圖	睡眠-EDF 遙測	22	6	100	2 腦電圖、1 眼電圖、1 肌電圖	關聯
睡眠腦電圖	睡眠-EDF：卡式錄音帶	78	6	100, 1	2 次腦電圖（100 赫茲）、1 次眼電圖（100 赫茲）、 1 肌電圖（1 赫茲）	關聯
睡眠腦電圖	質量-1	53	5	256	17/19 腦電圖、2 眼電圖、5 肌電圖	關聯
睡眠腦電圖	質量-2	19	6	256	19 腦電圖、4 眼電圖、1 肌電圖	關聯
睡眠腦電圖	質量-3	62	5	256	20 腦電圖、2 眼電圖、3 肌電圖	關聯
睡眠腦電圖	質量-4	40	6	256	4 腦電圖、4 眼電圖、1 肌電圖	關聯
睡眠腦電圖	質量-5	26	6	256	20 腦電圖、2 眼電圖、3 肌電圖	關聯
睡眠腦電圖	SHHS	5804	不適用	125, 50	2 腦電圖 (125 赫茲), 1 腦電圖 (50 赫茲), 1 肌電圖（125 赫茲）	關聯
癲癇發作腦波圖	CHB-麻省理工學院	22	2	256	18	關聯
癲癇發作腦波圖	TUH	315	2	200	19	關聯
肌電圖	腦電圖GMMI	109	4	160	64	關聯
肌電圖	BCI-C II，資料集 III	1	2	128	3	關聯
肌電圖	BCI-C III，資料集 III a	3	4	250	60	關聯
肌電圖	BCI-C III，資料集 III b	3	2	125	2	關聯
肌電圖	BCI-C III，資料集 IV a	5	2	1000	118	關聯
肌電圖	BCI-C III，資料集 IV b	1	2	1001	119	關聯
肌電圖	BCI-C III，資料集 IV c	1	2	1002	120	關聯
肌電圖	BCI-C IV，資料集 I	7	2	1000	64	關聯
肌電圖	BCI-C IV，資料集 II a	9	4	250	22 腦電圖、3 眼電圖	關聯
肌電圖	BCI-C IV，資料集 II b	9	2	250	3 腦電圖、3 眼電圖	關聯
情緒腦電圖	阿米戈斯	40	4	128	14	關聯
情緒腦電圖	種子	15	3	200	62	關聯
情緒腦電圖	DEAP	32	4	第512章	32	關聯
其他腦電圖	打開 MIIR	10	12	第512章	64	關聯
視覺誘發電位	BCI-C II，資料集 II b	1	36	240	64	關聯
視覺誘發電位	BCI-C III，資料集 II	2	26	240	64	關聯
功能性磁振造影	ADNI	第202章	3	不適用	不適用	關聯
功能性磁振造影	布拉茨	65	4	不適用	不適用	關聯
乙二醇	BCI-C IV，資料集 III	2	4	400	10	關聯

為了讓讀者能夠快速存取並使用該資料集，我們提供了經過精心處理且隨時可用的腦電圖運動/影像資料庫（EEGMMIDB）資料集。此資料集包含 109 名受試者，腦電圖訊號以 160 Hz 取樣率記錄在 64 個通道中。經過我們的清理和排序，每個npy檔案代表一個主題：每個npy檔案的資料形狀為[N, 65]，前64列對應64個通道特徵，最後一列表示類別標籤。不同受試者的 N 不同，但 N 應該是 259520 或 255680。

運行程式碼

在我們的教程檔案中，您將學習 BCI 系統的管道和工作流程，包括資料收集、預處理、特徵提取（可選）、分類和評估。我們提供了最典型的深度學習模型（GRU、LSTM、CNN、GNN）的必要參考和可操作程式碼，同時利用時間、空間和地形依賴性。我們也提供了非常方便的Python程式碼。例如，要檢查CNN的EEG分類效能，請執行以下程式碼：

 python 4-2_CNN.py

對於 PyTorch 初學者，我們強烈推薦 Morvan Zhou 的 PyTorch 教學。

章節資源

對於書中介紹的演算法和應用，我們提供了必要的實作程式碼（TensorFlow版本）：

自適應特徵學習（第 7 章）
MindID：基於 EEG 的使用者識別（第 9 章）
基於視覺誘發腦電圖的影像重建（第10章）
大腦打字：將腦電圖轉換為文字（第 11 章）
神經系統疾病（癲癇）診斷（第 13 章）

引用

如果您發現我們的研究對您的研究有用，請考慮引用我們的調查或書籍：

 @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

本教程程式碼經過測試可在 Python 3.7 下運行。

需要最新版本的 Pytorch、torch-geometric、numpy 和 scipy。可以使用以下命令安裝所有必要的基本套件： ''' pip install -r requests.txt '''注意：對於 toch-geometric 及其相關依賴項（例如 cluster、scatter、sparse），較高版本可能會工作但尚未經過測試。