循环神经网络分析脑电时序数据
📚 共计 30 章节
01
脑电信号基础
EEG生理学原理 · δ/θ/α/β/γ波 · 采集设备与导联系统
生理基础
脑电节律
02
Python与深度学习环境搭建
Anaconda · PyTorch · CUDA/cuDNN · Jupyter Notebook
环境配置
工具链
03
脑电数据预处理
带通滤波(0.5-45Hz) · 陷波滤波 · ICA去伪迹 · 基线校正
滤波
ICA
伪迹
04
时序数据基础
时间序列概念 · 滑动窗口 · 采样率 · 平稳性与非平稳性
时序
滑动窗口
05
循环神经网络(RNN)原理
循环结构 · 隐藏状态 · 时间步展开 · 梯度消失/爆炸
RNN
梯度问题
06
RNN的变体
LSTM门控机制 · GRU简化结构 · 双向RNN
LSTM
GRU
双向
07
PyTorch基础
张量操作 · Autograd · DataLoader · nn.Module
PyTorch
张量
08
脑电数据加载与预处理实战
MNE读取EDF · 提取导联 · 分段与标签制作
MNE
EDF
实战
09
构建第一个RNN模型
定义RNN结构 · 前向传播 · 交叉熵损失
模型构建
损失函数
10
模型训练基础
优化器(Adam/SGD) · 学习率 · Batch · Epoch & Iteration
优化器
训练
11
训练循环实现
PyTorch训练模板 · 梯度清零 · 反向传播 · 参数更新
训练循环
梯度
12
模型评估与验证
训练/验证/测试划分 · 准确率 · 混淆矩阵 · F1-score
评估
混淆矩阵
13
过拟合与欠拟合
L1/L2正则化 · Dropout · 早停法 · 数据增强
正则化
Dropout
14
脑电特征提取
时域(均值/方差/Hjorth) · 频域(功率谱) · 时频(小波)
特征
时频
15
特征工程与降维
PCA · t-SNE可视化 · 特征选择方法
降维
PCA
t-SNE
16
多通道脑电处理
多通道RNN输入 · 通道注意力 · 空间特征融合
多通道
注意力
17
序列到序列模型
Seq2Seq · 编码器-解码器 · 注意力机制在脑电
Seq2Seq
注意力
18
脑电分类任务实战
运动想象(MI-BCI) · 情绪识别(DEAP) · 睡眠分期
分类
MI-BCI
DEAP
19
脑电回归任务实战
疲劳预测 · 注意力估计 · 麻醉深度监测
回归
疲劳
麻醉
20
模型解释性
Grad-CAM · 注意力权重可视化 · 特征重要性
可解释性
Grad-CAM
21
超参数调优
网格/随机/贝叶斯搜索 · 学习率调度
调优
搜索
22
模型部署
ONNX导出 · TensorRT加速 · Jetson Nano部署
部署
ONNX
TensorRT
23
迁移学习
预训练微调 · 领域自适应 · 跨被试迁移
迁移学习
微调
24
对比学习在脑电中的应用
SimCLR · MoCo · 对比损失函数
对比学习
SimCLR
25
图神经网络与脑电
功能连接矩阵 · GCN · 脑网络拓扑分析
GNN
GCN
脑网络
26
Transformer与脑电
时间序列Transformer · 位置编码 · 自注意力
Transformer
自注意力
27
脑电数据增强
噪声注入 · 时间扭曲 · 通道置换 · GAN生成
数据增强
GAN
28
实时脑电处理
流式数据处理 · 在线推理 · 延迟优化
实时
流式
推理
29
项目实战：LSTM运动想象BCI
完整流程：采集→预处理→训练→在线测试
项目
BCI
LSTM
30
前沿进展与未来方向
脑机接口突破 · 神经符号学 · 多模态融合(EEG+fNIRS)
前沿
多模态
BCI