神经信号深度学习项目实战

📚 共计 30 章节

神经信号与深度学习概述

神经信号基础（EEG/MEG/fMRI）、深度学习在脑科学中的应用、项目整体流程与目标设定。

脑信号项目导览

Python科学计算环境搭建

Anaconda安装、虚拟环境创建、核心库安装（NumPy, SciPy, Matplotlib, MNE）。

环境配置MNE

EEG数据格式与读取

国际10-20系统、EDF/BDF文件格式、使用MNE读取原始数据。

数据预处理基础

滤波（带通/陷波）、重参考、基线校正、坏道检测与插值。

时域分析基础

事件相关电位（ERP）提取、epoch分段、基线校正、叠加平均。

ERP叠加平均

频域分析基础

功率谱密度（PSD）计算、频带划分（Delta/Theta/Alpha/Beta/Gamma）、时频分析（STFT）。

特征工程（上）

手工特征提取（均值、方差、偏度、峰度、Hjorth参数）、特征选择方法。

手工特征Hjorth

特征工程（下）

共空间模式（CSP）、滤波器组共空间模式（FBCSP）、特征可视化。

传统机器学习分类器

支持向量机（SVM）、随机森林、K近邻（KNN）在脑电分类中的应用。

SVM随机森林

深度学习入门

感知机与多层感知机（MLP）、激活函数（ReLU/Sigmoid/Tanh）、损失函数与优化器。

MLP激活函数

PyTorch框架基础

张量操作、自动求导机制、模型构建（nn.Module）、训练循环。

PyTorch自动求导

卷积神经网络（CNN）基础

卷积层、池化层、全连接层、经典架构（LeNet/ AlexNet）。

EEG专用CNN架构

EEGNet、ShallowConvNet、DeepConvNet原理与实现。

EEGNetShallowConvNet

循环神经网络（RNN）基础

RNN原理、LSTM与GRU、序列建模。

注意力机制与Transformer

自注意力、多头注意力、位置编码、EEG Transformer应用。

Transformer注意力

图神经网络（GNN）基础

图卷积网络（GCN）、图注意力网络（GAT）、脑网络拓扑建模。

混合模型设计

CNN+RNN、CNN+Transformer、多模态融合（EEG+fNIRS）。

混合模型多模态

数据增强技术

加噪、滑动窗口、频域变换、生成对抗网络（GAN）生成EEG数据。

数据增强GAN

迁移学习与领域自适应

预训练策略、微调、对抗性领域自适应在跨被试/跨session中的应用。

迁移学习领域自适应

模型训练技巧

学习率调度、早停、权重衰减、Dropout、Batch Normalization、梯度裁剪。

训练技巧正则化

模型评估与验证

交叉验证（K-fold/Leave-one-out）、混淆矩阵、ROC曲线、AUC、统计显著性检验。

可解释性分析

Saliency Map、Grad-CAM、SHAP、LIME在EEG模型中的应用。

可解释性Grad-CAM

运动想象（MI）脑电分类实战

BCI Competition IV 2a数据集、数据预处理、模型训练与评估。

运动想象BCI

情绪识别实战

DEAP/SEED数据集、特征提取、多分类模型构建。

情绪识别DEAP

睡眠分期实战

Sleep-EDF数据集、序列模型（LSTM/Transformer）、分期评估。

睡眠分期Sleep-EDF

异常检测（癫痫检测）实战

CHB-MIT数据集、时频特征、CNN/RNN模型、事件检测。

癫痫检测CHB-MIT

模型部署基础

ONNX导出、TensorRT加速、边缘设备（Jetson Nano）部署。

实验设计与论文复现

实验范式设计、超参数搜索（Grid/Random/Bayesian）、论文结果复现技巧。

实验设计超参数

项目总结与最佳实践

完整项目流程回顾、常见错误与解决方案、代码规范与版本控制。

最佳实践代码规范

前沿进展与未来方向

基础模型（Foundation Model）在脑电中的应用、脑机接口（BCI）最新突破、神经符号学。

前沿Foundation Model