01
神经信号基础与数据采集
脑电图(EEG)、肌电图(EMG)生理基础，10-20系统，信号频率/振幅/节律特征。
EEGEMG10-20
02
神经信号预处理实战
带通滤波、陷波、伪迹去除、基线校正、重参考，MNE-Python实战。
MNE去噪伪迹
03
时域与频域特征提取
均值、方差、过零率、功率谱密度、频带能量，Scipy+MNE实现。
特征工程PSD
04
深度学习基础回顾
DNN、CNN、RNN/LSTM核心原理，为后续融合算法打基础。
DNNCNNRNN
05
CNN与神经信号分类实战
1D-CNN对EEG运动想象分类，网络结构设计、训练与评估。
1D-CNN运动想象
06
RNN/LSTM与时序建模
LSTM建模神经信号时序依赖性，睡眠分期/癫痫检测。
LSTM睡眠分期
07
注意力机制在神经信号中的应用
自注意力、多头注意力，基于Transformer的EEG分类模型。
Transformer注意力
08
图神经网络（GNN）与脑网络分析
电极通道为图节点，GCN建模功能连接，脑疾病诊断。
GCN脑网络
09
自编码器与特征降维
栈式自编码器(SAE)、变分自编码器(VAE)无监督特征学习与降维。
SAEVAE
10
生成对抗网络（GAN）与数据增强
DCGAN/WGAN生成逼真EEG信号，解决小样本过拟合。
DCGANWGAN
11
迁移学习在跨被试/跨任务中的应用
域自适应、微调策略，源域(被试A)到目标域(被试B)迁移。
迁移学习域自适应
12
多模态神经信号融合
EEG+fNIRS或EEG+眼动，多模态深度学习提升分类性能。
多模态fNIRS
13
神经信号与行为数据融合
结合反应时、按键等行为数据，构建多输入神经网络模型。
行为数据多输入
14
端到端深度学习模型设计
从原始信号到分类结果，跳过手工特征提取的流水线。
端到端深度学习
15
模型解释性
Grad-CAM、SHAP、LIME解释模型决策，定位关键脑区/时间点。
Grad-CAMSHAP
16
脑机接口（BCI）在线系统实战
实时BCI系统：数据流处理、模型推理、反馈控制。
BCI在线系统
17
神经信号压缩与传输
深度神经网络压缩编码，适用于无线BCI/远程医疗。
压缩无线BCI
18
对比学习在神经信号表征中的应用
SimCLR/BYOL框架，无标签EEG自监督预训练。
对比学习SimCLR
19
脉冲神经网络（SNN）与神经形态计算
SNN原理，对比SNN与ANN能耗/性能差异。
SNN神经形态
20
联邦学习与隐私保护
分布式医疗数据场景，联邦学习训练神经信号模型。
联邦学习隐私
21
神经信号数据增强技术
加噪、滑动窗口、频谱平移、Mixup等增强方法。
数据增强Mixup
22
模型压缩与边缘部署
剪枝、量化、知识蒸馏，部署到树莓派/手机端。
剪枝量化边缘部署
23
神经信号中的异常检测
深度自编码器/孤立森林检测癫痫、睡眠异常。
异常检测自编码器
24
基于深度学习的神经信号解码
解码运动意图、语音想象、视觉图像，高级BCI。
解码运动意图
25
神经信号与强化学习结合
DQN/策略梯度，智能体通过神经信号反馈自适应控制。
强化学习DQN
26
神经信号中的域泛化
解决不同设备/范式下的数据分布漂移，提升泛化能力。
域泛化分布漂移
27
图Transformer与脑网络
图神经网络+Transformer，图Transformer用于脑网络分类。
图Transformer脑网络
28
神经信号中的时间序列预测
TCN、Informer模型预测未来神经信号状态。
TCNInformer
29
基于深度学习的神经反馈训练
闭环神经反馈系统，深度学习实时调整反馈参数。
神经反馈闭环
30
课程总结与前沿展望
回顾核心算法，讨论神经符号系统、脑机融合、数字孪生脑。
前沿数字孪生