01
课程导论与项目全景
癫痫发作预测背景与临床意义 · 深度学习优势 · 项目架构 · CHB-MIT数据集
导论脑电
02
Python与深度学习环境搭建
Anaconda · PyTorch · CUDA/cuDNN · Jupyter · NumPy/SciPy/MNE
环境GPU
03
脑电图（EEG）基础
生理基础 · 10-20系统 · δ/θ/α/β/γ节律 · 伪影 · 癫痫诊断应用
EEG生理
04
CHB-MIT数据集深度解析
来源与伦理 · 受试者信息 · EDF解析 · MNE读取 · 划分策略
数据集EDF
05
信号预处理（上）：滤波去噪
巴特沃斯带通 · 陷波滤波 · SciPy实现 · 滤波前后对比
滤波去噪
06
信号预处理（下）：伪影去除与重参考
ICA去除眼电/肌电 · MNE实现 · 平均/双极参考 · 重采样与基线校正
ICA伪影
07
特征工程（上）：时域特征
统计特征 · Hjorth参数 · 过零点率 · 滑动窗口提取
时域统计
08
特征工程（中）：频域特征
FFT · PSD (Welch) · 频带能量比 · 频谱熵与边缘频率
频域PSD
09
特征工程（下）：时频域与非线性
STFT · CWT · 样本熵 · Lempel-Ziv · 特征标准化
时频熵
10
数据预处理Pipeline构建
scikit-learn Pipeline · 特征缩放 · SMOTE · 时间序列交叉验证
Pipeline不平衡
11
深度学习基础回顾（PyTorch）
张量 · 自动求导 · 线性回归 · 激活函数 · 优化器
PyTorch基础
12
循环神经网络（RNN）入门
RNN原理 · 梯度消失 · PyTorch实现 · EEG时间序列应用
RNN序列
13
长短期记忆网络（LSTM）
遗忘/输入/输出门 · nn.LSTM · 单层/多层LSTM分类器
LSTM门控
14
门控循环单元（GRU）与双向RNN
GRU重置/更新门 · 对比LSTM · BiLSTM/BiGRU · PyTorch实现
GRU双向
15
卷积神经网络（CNN）基础
卷积/池化 · LeNet/AlexNet · 1D-CNN处理EEG
CNN卷积
16
混合模型：CNN-LSTM架构
空间+时间特征 · CNN-LSTM分类器 · 参数调优
CNN-LSTM混合
17
注意力机制（Attention）
Query/Key/Value · 自注意力 · LSTM+Attention · 权重可视化
注意力可解释
18
Transformer与时间序列
编码器-解码器 · 位置编码 · 多头注意力 · 时间序列Transformer
Transformer时间序列
19
模型训练与优化技巧
学习率调度 · 早停 · 权重初始化 · 梯度裁剪
训练优化
20
损失函数与评估指标
Focal Loss · 敏感性/特异性 · F1 · 混淆矩阵 · ROC
评估损失
21
模型解释性（XAI）
Grad-CAM · SHAP · LIME · 可视化脑电时间段
XAI可解释
22
患者特异性模型构建
单患者训练 · 发作前30分钟 · 个性化调参 · 性能评估
个性化特异性
23
跨患者与泛化能力研究
迁移学习 · 领域自适应 · 对抗训练 · 未见患者评估
泛化迁移
24
实时预测系统设计
低延迟 · 量化/剪枝 · ONNX · 滑动窗口 · 卡尔曼滤波
部署实时
25
项目实战（一）：数据加载与预处理
DataLoader · 数据增强 · Dataset · 批次可视化
实战数据
26
项目实战（二）：模型定义与训练循环
CNN-LSTM-Attention · 训练/验证循环 · 早停 · TensorBoard
实战训练
27
项目实战（三）：评估与结果可视化
混淆矩阵 · 分类报告 · ROC/AUC · 预测对比可视化
实战评估
28
项目实战（四）：构建简易演示系统
Streamlit Web · 上传EEG · 实时预测 · 警报 · PDF报告
实战演示
29
前沿进展与未来方向
GNN · 自监督学习 · 联邦学习 · 可穿戴边缘AI
前沿GNN
30
课程总结与进阶路径
核心回顾 · 避坑指南 · 论文/开源项目 · 社区资源 · 结业要求
总结进阶