EEG Conformer : Transformeur Convolutionnel pour le Décodage et la Visualisation de l'EEG

En raison du champ perceptif limité, les réseaux de neurones convolutionnels (CNN) n'extraient que des caractéristiques temporelles locales et peuvent échouer à capturer des dépendances à long terme pour le décodage de l'EEG. Dans cet article, nous proposons un Transformeur Convolutionnel compact, nommé EEG Conformer, pour encapsuler les caractéristiques locales et globales dans un cadre unifié de classification EEG. Plus précisément, le module de convolution apprend les caractéristiques locales de bas niveau à travers les couches de convolution temporelle et spatiale unidimensionnelle. Le module d'auto-attention est connecté directement pour extraire la corrélation globale au sein des caractéristiques temporelles locales. Par la suite, un module simple de classification basé sur des couches entièrement connectées est utilisé pour prédire les catégories des signaux EEG. Pour améliorer l'interprétabilité, nous élaborons également une stratégie de visualisation pour projeter la cartographie d'activation de classe sur la topographie cérébrale. Enfin, nous avons mené des expériences approfondies pour évaluer notre méthode sur trois ensembles de données publics dans les paradigmes de l'imagerie motrice et de la reconnaissance des émotions basés sur l'EEG. Les résultats expérimentaux montrent que notre méthode atteint une performance à la pointe de l'état de l'art et possède un grand potentiel pour devenir une nouvelle référence pour le décodage général de l'EEG. Le code a été publié sur https://github.com/eeyhsong/EEG-Conformer.