卷积神经网络处理神经信号实战

📚 共计 30 章节

神经信号基础与CNN概览

脑电信号(EEG)生理基础、采集原理、常见伪迹；CNN适合神经信号的原因；课程项目路线图

EEG基础CNN原理

Python科学计算环境搭建

Anaconda安装、虚拟环境、TensorFlow/PyTorch安装、MNE库验证

环境配置MNE

加载示例EEG数据、raw/epochs/evoked结构、基础可视化

EEG预处理实战(上)

滤波(带通/陷波)、重参考、坏道检测与插值

EEG预处理实战(下)

ICA去伪迹、分段(epoching)、基线校正

CNN理论基础

卷积核/步长/填充、池化层、全连接层、感受野

从全连接到卷积

全连接不适合EEG的原因；1D卷积保留时序结构

经典CNN架构解析

LeNet-5、AlexNet、VGGNet核心思想与演进

EEG专用CNN模型(上)

ShallowConvNet——专为EEG设计的浅层网络

EEG专用CNN模型(下)

DeepConvNet——更深层EEG特征提取

紧凑型CNN，深度可分离卷积在EEG中的应用

EEGNet可分离

数据准备与标签制作

原始EEG到训练样本，滑动窗口法，标签对齐

滑动窗口标签

数据集划分

训练/验证/测试集划分，交叉验证在EEG中的特殊处理

划分交叉验证

PyTorch数据管道

Dataset类、DataLoader、数据增强(加噪、时间偏移)

DataLoader增强

模型搭建实战

PyTorch实现ShallowConvNet，逐层代码讲解

训练循环编写

损失函数(交叉熵)、优化器(Adam)、学习率调度

训练可视化

TensorBoard接入，loss/准确率曲线，混淆矩阵

TensorBoard可视化

过拟合与正则化

Dropout、BatchNorm、L2正则化在EEG模型中的应用

正则化Dropout

模型评估指标

准确率、精确率、召回率、F1、ROC-AUC，EEG场景选择

预训练模型微调，跨被试/跨session迁移策略

可解释性分析(上)

Saliency Map、Grad-CAM，找出模型关注的时频区域

Grad-CAM可解释

可解释性分析(下)

时间维度注意力可视化，与神经生理学知识对照

注意力生理

多模态融合

EEG+眼动/心率信号，多输入CNN设计

多模态融合

实时推理优化

模型量化、ONNX导出、TensorRT加速，延迟<50ms

边缘端部署

树莓派/Jetson Nano部署，在线EEG推理

项目实战(一)：运动想象

MI-BCI分类，从数据加载到模型训练全流程

项目实战(二)：情绪识别

DEAP数据集，时频图作为CNN输入的技巧

项目实战(三)：睡眠分期

Sleep-EDF数据集，多通道时序CNN设计

睡眠多通道

常见问题与调试

梯度爆炸/消失、类别不平衡、小样本学习策略

调试小样本

GNN与EEG、Transformer在神经信号中的应用、脑机接口未来