第一章：神经信号基础与CNN概览

大家好，我是这门课的主讲。在AI算法和神经信号处理这块摸爬滚打了快十年，踩过不少坑，也积累了些实战经验。今天咱们聊聊第一章——神经信号基础与CNN概览。

说实话，很多人一上来就急着调网络、跑模型。但我个人习惯，先搞清楚数据是怎么来的，再动手。你想想看，连EEG信号里混了什么噪声都分不清，模型再花哨也是白搭。

1.1 脑电信号(EEG)的生理基础

EEG，说白了就是大脑皮层神经元的电活动。咱们头皮上贴几个电极，就能捕捉到这些微弱的电信号。为什么能捕捉到？因为大脑里有数以亿计的神经元，它们放电时会产生电场，传到头皮表面。

我记得刚入行时，导师跟我说过一句话：「EEG不是读心术，是读电术。」嗯，这句话我一直记着。

常见的EEG频段有这几个：

频段	频率范围	常见状态
Delta波	0.5-4 Hz	深度睡眠
Theta波	4-8 Hz	困倦、冥想
Alpha波	8-13 Hz	放松、闭眼
Beta波	13-30 Hz	专注、思考
Gamma波	30-100 Hz	高级认知

这些频段不是凭空来的。我在做睡眠分期项目时，就发现Delta波和Theta波的比例变化，直接对应着睡眠深度的变化。说白了，频段就是大脑状态的「指纹」。

1.2 采集原理与常见伪迹

EEG采集其实不复杂。电极贴在头皮上，信号经过放大器，再被模数转换器变成数字信号。但这里有个大坑——伪迹。

常见的伪迹有：

• 眼电伪迹：眨眼、眼球转动产生的。频率低，幅度大，很容易污染前额导联。
• 肌电伪迹：咬牙、皱眉、耸肩。频率高，像白噪声一样。
• 工频干扰：50/60Hz的市电干扰。我有个项目，数据采集时没做好屏蔽，结果模型学到的全是工频噪声的特征……
• 运动伪迹：身体晃动、电极松动。低频、大幅度，很难去除。

我曾经在一个BCI竞赛项目里，花了整整两周时间处理伪迹。后来发现，与其在算法层面硬扛，不如在采集阶段就做好预防。嗯，这个教训很深刻。

1.3 为什么CNN适合处理神经信号

你可能会问：处理EEG信号，传统方法那么多，为什么非要用CNN？

我个人的理解是这样的：

1. 局部感受野：EEG信号在时间和空间上都有局部相关性。CNN的卷积核天然适合捕捉这种局部模式。比如某个频段在某个脑区的突发变化，CNN一眼就能抓住。
2. 平移不变性：同一个神经活动模式，可能出现在不同时间点。CNN的权值共享机制，让模型不管这个模式出现在哪里，都能识别出来。
3. 层次化特征提取：浅层学简单的波形，深层学复杂的时空模式。这跟神经信号的分层结构很像——从单个神经元放电，到脑区协同活动。
4. 端到端学习：不用手工设计特征。把原始EEG扔进去，模型自己学。我在做运动想象分类时，手工特征折腾了三个月，换成CNN两周就出效果了。

1.4 课程整体项目路线图

这门课不是纯理论，咱们要动手做项目。整个课程分三个阶段：

阶段	内容	实战项目
基础篇	EEG基础、CNN原理、数据预处理	EEG数据清洗与可视化
进阶篇	1D-CNN、2D-CNN、时空卷积	运动想象四分类
实战篇	迁移学习、模型部署、实时系统	在线BCI打字系统

我个人建议，每学完一章，都动手跑一遍代码。光看不练，等于白学。

下面这张图，是咱们整个课程的知识体系。你可以把它当作地图，随时回来看看自己走到哪了。

这张图里，从EEG基础到在线部署，每一步都有对应的章节和实战。我个人建议，学完一章就回来看看这张图，心里有个全局观。

好了，第一章就聊到这儿。记住，搞神经信号处理，耐心比天赋重要。我刚开始做的时候，光数据清洗就折腾了一个月。但熬过去之后，后面的路就顺了。