01
神经信号基础
什么是神经信号？EEG、ECoG、Spike信号的区别与联系。
概念入门
02
Python环境搭建
Anaconda安装、MNE库安装、Jupyter Notebook配置。
环境工具
03
MNE-Python入门
Raw数据结构、读取EDF/CNT/BDF文件、基础可视化。
MNEIO
04
信号采样理论
奈奎斯特定理、采样率选择、抗混叠滤波原理。
理论采样
05
数据导入实战
从公开数据集（BCI Competition、PhysioNet）加载数据。
数据集实战
06
通道定位与布局
标准10-20系统、3D电极位置可视化、通道选择。
电极可视化
07
信号滤波基础
低通、高通、带通、带阻滤波器设计与应用。
滤波基础
08
陷波滤波实战
50Hz/60Hz工频干扰去除，我在项目中踩过的坑。
工频经验
09
独立成分分析（ICA）
原理、伪迹识别（眼电、肌电）、ICA实战。
ICA伪迹
10
伪迹去除进阶
SSP（信号空间投影）、CSP（共空间模式）简介。
SSPCSP
11
时域分析
事件相关电位（ERP）提取、基线校正、叠加平均。
ERP时域
12
频域分析
功率谱密度（PSD）计算、频带划分（Delta/Theta/Alpha/Beta/Gamma）。
PSD频带
13
时频分析
短时傅里叶变换（STFT）、小波变换、希尔伯特-黄变换。
时频STFT
14
连接性分析
相干性、相位锁定值（PLV）、格兰杰因果分析。
连接性PLV
15
数据分段（Epoching）
基于事件的分段、时间窗选择、基线校正。
Epoch事件
16
坏道检测与插值
自动检测坏道、球形插值、样条插值方法。
坏道插值
17
重参考策略
平均参考、双极参考、拉普拉斯参考、CAR（共平均参考）。
参考CAR
18
降采样与重采样
降采样策略、抗混叠滤波、时间对齐。
降采样对齐
19
数据标准化
Z-score归一化、Min-Max缩放、鲁棒标准化。
归一化鲁棒
20
数据增强基础
为什么需要数据增强？过拟合与泛化能力。
增强泛化
21
加噪增强
高斯噪声、粉红噪声、真实噪声注入方法。
噪声注入
22
时间扭曲增强
时间拉伸、时间偏移、时间掩码（Time Masking）。
时间掩码
23
频率扭曲增强
频率偏移、频率掩码（Frequency Masking）、频谱扰动。
频率掩码
24
通道扰动增强
通道丢弃、通道混洗、通道噪声注入。
通道扰动
25
生成对抗网络（GAN）增强
简单GAN结构、条件GAN用于EEG生成。
GAN生成
26
混合增强方法
Mixup、CutMix在神经信号上的应用。
MixupCutMix
27
数据增强评估
增强后数据质量评估、分类性能对比、统计检验。
评估统计
28
预处理流水线构建
完整预处理Pipeline设计、参数调优、自动化脚本。
Pipeline自动化
29
实战项目一：运动想象EEG
运动想象EEG数据预处理与增强（BCI Competition IV 2a）。
运动想象BCI
30
实战项目二：睡眠分期EEG
睡眠分期EEG数据预处理与增强（Sleep-EDF数据集）。
睡眠EDF