EEGModels：面向EEG分类的CNN模型集合

EEGModels 是 ARL 开源的 Keras/TensorFlow 卷积神经网络模型集合，提供 EEGNet、DeepConvNet、ShallowConvNet 等模型，用于 EEG 信号分类，便于可重复研究与模型比较。

这个工具是什么

EEGModels 由美国陆军研究实验室（ARL）开发，是一个基于 Keras 和 TensorFlow 的卷积神经网络模型集合，专门用于 EEG 信号处理与分类。项目旨在提供一组经过验证的 CNN 模型，促进可重复研究，并使研究者能方便地在自己的数据上使用和比较这些模型。仓库包含 EEGNet（原始版与修订版）、用于 SSVEP 分类的 EEGNet 变体、DeepConvNet 和 ShallowConvNet 的实现。代码以 Python 编写，要求 Python 3.7/3.8 和 TensorFlow 2.x，并提供了 EEG/MEG ERP 分类的示例脚本。

核心能力

• 提供多种经典 CNN 模型，包括 EEGNet、DeepConvNet 和 ShallowConvNet，覆盖不同网络复杂度。
• 包含 EEGNet 的原始版本与修订版本，以及针对 SSVEP 信号的专用变体。
• 模型以 Keras 层形式实现，可通过简单导入和配置参数快速构建。
• 支持使用 DeepExplain 进行特征相关性分析，复现 EEGNet 的单试次特征归因结果。

科研中的典型用法

• 在运动想象或 P300 等 EEG 分类任务中，直接调用 EEGNet 等模型进行训练和测试。
• 使用 SSVEP 变体模型对稳态视觉诱发电位信号进行分类，支持脑机接口研究。
• 结合 DeepExplain 工具，对训练好的 EEGNet 模型进行特征归因分析，解释单试次分类依据。

快速上手

将仓库文件夹加入 PYTHONPATH，然后从 EEGModels 导入所需模型，例如 `from EEGModels import EEGNet`。使用 `EEGNet(nb_classes=..., Chans=..., Samples=...)` 配置模型，并用 `model.compile(loss='categorical_crossentropy', optimizer='adam')` 编译，之后调用 fit 和 predict 进行训练与预测。运行示例脚本还需安装 mne、PyRiemann、scikit-learn 和 matplotlib。

生态与相近工具

同领域还有 Braindecode、MOABB 等基于 PyTorch 或 MNE 的 EEG 深度学习工具。EEGModels 侧重于提供 Keras/TensorFlow 实现的经典 CNN 模型，适合需要快速复现或比较 EEGNet 等模型的场景；若需更丰富的预处理流程或 PyTorch 生态，可考虑其他工具。

项目信息

• 仓库：vlawhern/arl-eegmodels
• 星标：1,558　·　派生：335
• 主要语言：Python
• 许可证：NOASSERTION
• 最近提交：2022-05-02

本文属于《学科研究工具知识库 · 神经科学》第 7 篇（按 GitHub 星标排序）。收录标准：该学科公开可获取的开源研究工具，星标与活跃度为主要参考，不代表对其性能或适用性的背书；选型前请结合自身场景评估。