01
神经信号基础
什么是神经信号 · EEG/MEG/fMRI采集 · 特点与挑战
基础脑科学
02
噪声类型与来源
生理噪声(眼电/肌电/心电) · 环境噪声 · 时频特征
噪声预处理
03
传统去噪方法回顾
滤波 · 小波变换 · ICA · 传统方法局限性
经典信号处理
04
深度学习入门
神经网络 · 感知机 · 激活函数 · 损失与优化器
DL基础理论
05
深度学习框架选型
PyTorch vs TF · CUDA环境 · 张量与自动求导
PyTorch环境
06
数据预处理实战
MNE加载 · 切片标准化 · 训练/验证/测试划分
MNE实战
07
自编码器原理
编码器-解码器 · 欠/过完备 · 去噪理论基础
AE无监督
08
搭建第一个去噪自编码器
PyTorch DAE · 前向/反向 · 模拟噪声测试
DAE实战
09
卷积神经网络基础
卷积 · 池化 · 感受野 · LeNet/AlexNet
CNN视觉
10
一维卷积神经网络
1D卷积 · 因果/膨胀卷积 · 去噪模型设计
1D-CNN时序
11
残差网络与跳跃连接
梯度消失 · 残差块 · ResNet去噪优势
ResNet跳跃连接
12
U-Net架构详解
对称编码-解码 · 跳跃连接 · 信号去噪变体
U-Net分割
13
实现1D U-Net去噪模型
逐层搭建 · 下/上采样 · 参数量计算
1D U-Net实战
14
循环神经网络与LSTM
RNN时序建模 · LSTM门控 · BiLSTM
RNNLSTM
15
序列到序列模型
编码器-解码器 · 注意力机制 · Seq2Seq去噪
Seq2Seq注意力
16
生成对抗网络基础
生成器与判别器 · 对抗训练 · 信号去噪挑战
GAN生成
17
条件GAN与去噪GAN
cGAN · 感知+对抗损失 · 训练稳定性
cGAN去噪
18
扩散模型入门
前向扩散 · 反向去噪 · DDPM · 信号潜力
扩散模型前沿
19
Transformer架构
自注意力 · 多头注意力 · 位置编码 · 时序适配
TransformerNLP
20
时间序列Transformer
Time Series Transformer · 可学习编码 · 去噪应用
时序Transformer
21
混合模型设计
CNN+RNN · CNN+Transformer · 多分支融合
混合架构
22
损失函数深度解析
MSE/MAE · 感知损失 · STFT损失 · 组合损失
损失调优
23
评估指标
SNR/PSNR · RMSE · 相关系数 · 可视化对比
指标评价
24
训练技巧与调优
学习率调度 · 归一化 · 早停 · 梯度裁剪
技巧训练
25
过拟合与正则化
Dropout · L1/L2 · 数据增强 · 交叉验证
正则化鲁棒性
26
模型部署与推理优化
ONNX/TorchScript · 量化 · 剪枝 · 边缘部署
部署工程
27
实战项目一：DAE去眼电
基于DAE的EEG眼电伪迹去除
项目EEG
28
实战项目二：1D U-Net去ECG
基于1D U-Net的ECG信号去噪
项目ECG
29
实战项目三：Transformer去fMRI
基于Transformer的fMRI时间序列去噪
项目fMRI
30
前沿趋势与总结
自监督学习 · 未来方向 · 课程总结与资源
前沿总结