ترجمه فارسی مقاله EEGMamba: مدل‌های فضای حالت دوطرفه با ترکیبی از متخصصان برای طبقه‌بندی EEG

چکیده

In recent years, with the development of deep learning, electroencephalogram (EEG) classification networks have achieved certain progress. Transformer-based models can perform well in capturing long-term dependencies in EEG signals. However, their quadratic computational complexity leads to significant computational overhead. Moreover, most EEG classification models are only suitable for single tasks, showing poor generalization capabilities across different tasks and further unable to handle EEG data from various tasks simultaneously due to variations in signal length and the number of channels. In this paper, we introduce a universal EEG classification network named EEGMamba, which seamlessly integrates the Spatio-Temporal-Adaptive (ST-Adaptive) module, Bidirectional Mamba, and Mixture of Experts (MoE) into a unified framework for multiple tasks. The proposed ST-Adaptive module performs unified feature extraction on EEG signals of different lengths and channel counts through spatio-adaptive convolution and incorporates a class token to achieve temporal-adaptability. Moreover, we design a bidirectional Mamba particularly suitable for EEG signals for further feature extraction, balancing high accuracy and fast inference speed in processing long EEG signals. In order to better process EEG data for different tasks, we introduce Task-aware MoE with a universal expert, achieving the capture of both differences and commonalities between EEG data from different tasks. We test our model on eight publicly available EEG datasets, and experimental results demonstrate its superior performance in four types of tasks: seizure detection, emotion recognition, sleep stage classification, and motor imagery. The code is set to be released soon.

چکیده به فارسی (ترجمه ماشینی)

در سالهای اخیر ، با توسعه یادگیری عمیق ، شبکه های طبقه بندی الکتروانسفالوگرام (EEG) به پیشرفت خاصی رسیده اند.مدل های مبتنی بر ترانسفورماتور می توانند در ضبط وابستگی های بلند مدت در سیگنال های EEG عملکرد خوبی داشته باشند.با این حال ، پیچیدگی محاسباتی درجه دوم آنها منجر به سربار محاسباتی قابل توجهی می شود.علاوه بر این ، اکثر مدل های طبقه بندی EEG فقط برای کارهای واحد مناسب هستند ، که توانایی های عمومی سازی ضعیف را در کارهای مختلف نشان می دهد و قادر به انجام داده های EEG از کارهای مختلف به طور همزمان به دلیل تغییرات در طول سیگنال و تعداد کانال ها نیست.در این مقاله ، ما یک شبکه طبقه بندی جهانی EEG به نام Eegmamba را معرفی می کنیم ، که یکپارچه ماژول فضایی-زمانی-سازگار (ST-سازگار) ، Mamba دو طرفه و مخلوط متخصصان (MOE) را به یک چارچوب یکپارچه برای چندین کار ادغام می کند.ماژول ST سازگار با پیشنهاد استخراج ویژگی های یکپارچه بر روی سیگنال های EEG با طول های مختلف و شمارش کانال ها از طریق حلقوی فضا سازگار است و شامل یک نشانه کلاس برای دستیابی به قابلیت انطباق زمانی است.علاوه بر این ، ما یک mamba دو طرفه را برای سیگنال های EEG مناسب برای استخراج ویژگی های بیشتر ، تعادل دقت بالا و سرعت استنتاج سریع در پردازش سیگنال های طولانی EEG طراحی می کنیم.به منظور پردازش بهتر داده های EEG برای کارهای مختلف ، ما MOE آگاه وظیفه را با یک متخصص جهانی معرفی می کنیم ، و به دست آوردن هر دو تفاوت و مشترکات بین داده های EEG از کارهای مختلف می پردازیم.ما مدل خود را بر روی هشت مجموعه داده EEG در دسترس عمومی آزمایش می کنیم ، و نتایج تجربی عملکرد برتر آن را در چهار نوع کار نشان می دهد: تشخیص تشنج ، تشخیص احساسات ، طبقه بندی مرحله خواب و تصاویر حرکتی.این کد به زودی منتشر می شود.