4. 卷积神经网络（CNN）基础：1D卷积原理、池化层作用、感受野计算、经典CNN架构（EEGNet、ShallowFBCSPNet）
说实话，很多做脑电信号处理的朋友，一上来就想着用LSTM或者Transformer。但我个人的经验是——先别急。对于EEG这种时序信号，1D卷积神经网络往往是个更稳的起点。它计算量小，容易调参，而且效果一点都不差。
这一节，我们就来聊聊CNN在神经信号里的核心玩法。我会结合自己踩过的坑，把原理、计算、架构一次讲透。
4.1 1D卷积原理：从图像到信号的迁移
你想想看，图像是2D的，有宽有高。而EEG信号呢？它是1D的——时间轴。所以，我们用的卷积核也得从2D变成1D。
1D卷积到底在干什么？
说白了，就是一个滑动窗口在时间序列上扫过去，每个位置做一次点积。这个窗口就是卷积核，它学习的是局部时间模式。
核心公式（简化版）：
输出长度 = (输入长度 - 卷积核大小 + 2 × 填充) / 步长 + 1
举个例子。假设你的EEG采样率是250Hz，一个 trial 有1000个时间点。你用大小为32的卷积核，步长1，不填充。那么输出长度就是 (1000 - 32) / 1 + 1 = 969。
嗯，这里要注意：输出长度会变短。我在做运动想象分类时，一开始没注意这个，结果深层特征图尺寸缩得太小，导致分类器没法用。后来我习惯在每层卷积后都算一遍输出尺寸，养成这个习惯能省很多事。
我的小技巧： 对于EEG信号，卷积核大小一般取采样率的1/8到1/4。比如250Hz的数据，我用32或64。太小了学不到完整波形，太大了又容易过拟合。
4.2 池化层作用：降维与抗噪
池化层，很多人觉得它就是「缩小图片」用的。其实在EEG里，它的作用更关键——抗时间抖动。
你想想，同一个想象动作，不同 trial 里的事件相关电位（ERP）出现的时间点可能差几十毫秒。如果没有池化层，模型就会死记硬背时间位置，泛化能力很差。
常见的池化方式：
- 最大池化（Max Pooling）： 取窗口内的最大值。适合提取显著峰值，比如P300信号。
- 平均池化（Average Pooling）： 取窗口内的平均值。适合平滑噪声，比如稳态视觉诱发电位（SSVEP）。
- 全局平均池化（Global Average Pooling）： 直接对整个时间维度取平均。常用于分类层之前，能大幅减少参数量。
我曾经踩过的坑： 有一回做睡眠分期，我把池化窗口设得太大（64个时间点），结果把关键的纺锤波特征给抹平了。后来我改成32，效果立马回升。池化窗口大小，建议不要超过卷积核大小的一半。
4.3 感受野计算：你的模型能看多远？
感受野，就是网络里某个神经元能看到输入信号的「视野范围」。这个指标太重要了——它直接决定了模型能不能捕捉到完整的脑电节律。
计算公式：
RF_{l} = RF_{l-1} + (kernel\_size_l - 1) × stride\_product_{l-1}其中 stride_product 是前面所有层步长的乘积。
我举个例子你就明白了。假设一个两层1D CNN：
- 第一层：kernel=16, stride=2
- 第二层：kernel=32, stride=2
计算过程：
- 第一层感受野 = 16
- 第二层感受野 = 16 + (32 - 1) × 2 = 16 + 62 = 78
也就是说，第二层的每个神经元能看到输入信号里78个时间点的信息。
实战建议： 对于alpha波（8-12Hz），一个完整周期大约需要100ms。如果你的采样率是250Hz，那就是25个点。所以，你的感受野至少要覆盖25个点，才能看到完整的alpha节律。我个人习惯让最后一层的感受野覆盖2-3个完整周期。
4.4 经典CNN架构：EEGNet与ShallowFBCSPNet
聊完了原理，咱们来看看两个真正能打的架构。这两个我都亲手调过，效果确实稳。
4.4.1 EEGNet：紧凑而高效
EEGNet是2018年提出的，它的设计哲学是「少而精」。整个网络只有几千个参数，但效果能媲美几十万参数的模型。
核心结构：
- 第一层：时间卷积 —— 用1D卷积学习时间特征。卷积核大小通常取64（250Hz数据）。
- 第二层：深度可分离卷积 —— 先对每个通道做空间滤波，再对时间做深度卷积。这一步能大幅减少参数量。
- 第三层：可分离卷积 —— 进一步提取高层特征。
- 分类层： 全局平均池化 + 全连接 + Softmax。
我的调参心得： EEGNet的F1和D参数（滤波器数量）很关键。我一般从F1=8, D=2开始试。如果欠拟合，就翻倍；如果过拟合，就加Dropout（0.25到0.5之间）。
4.4.2 ShallowFBCSPNet：浅但有力
这个架构是受FBCSP（滤波器组共空间模式）启发设计的。它很浅，只有两层卷积，但效果在运动想象任务上非常出色。
核心结构：
- 第一层：时间卷积 —— 用多个不同频带的滤波器组提取特征。相当于可学习的滤波器组。
- 第二层：空间卷积 —— 在通道维度上做卷积，学习空间模式。这一步和CSP的核心思想一致。
- 分类层： 全局平均池化 + 全连接。
注意： ShallowFBCSPNet对数据量要求比较高。我试过在只有100个trial的数据集上训练，结果过拟合得一塌糊涂。建议至少500个trial以上再考虑用它。
4.5 本章知识体系总览
下面这张图，是我自己梳理的本章核心逻辑。你可以把它当作一个「思维导图」来用。
好了，这一节的内容就到这里。1D卷积、池化、感受野、经典架构——这些是你在EEG深度学习里绕不开的基础。下一节我们会深入聊训练技巧和调参策略，到时候我会分享更多实战中的「血泪教训」。
公众号:蓝海资料掘金营，微信deep3321