EEG Conformer：Convolutional Transformer for EEG Decoding and Visualization

原文链接：EEG Conformer

代码链接：EEG Conformer

背景

        当前已经开发了各种模式识别方法来解码来自嘈杂的脑电图信号的有用信息。这些方法提取特征并针对不同的任务执行分类。例如：通用空间模式 （CSP） 用于增强运动图像 （MI） 任务的空间特征。连续小波变换（CWT）用于从脑电信号中提取时频特征以检测痴呆。

        通过这些特征可以使用支持向量机和多层感知机完成分类任务。然而，大多数传统的特征提取方法都依赖于任务，这意味着特征是针对不同的 BCI 范式和有限的泛化使用特定的先验知识获得的。

        最近，由于对全局依赖关系的固有感知，基于attention的 Transformer 模型在自然语言和图像处理领域掀起了波澜。Transformer模型也被应用到了EEG分析领域，但是由于没有详细的分析和可视化来阐明 Transformer 如何用于 EEG 解码。Transformer 模型仍在脑电图领域进行探索。

        作者提出了一个卷积transformer架构来解决上述问题。该架构包括三个部分卷积模块，自注意力模块，分类器模块。

        在卷积模块：作者首先使用时间和空间卷积来分别捕获局部时间和空间特征。

   &n