01
神经信号基础
脑电图(EEG)原理、信号采集设备介绍、常见伪影类型
EEG伪影
02
小样本学习概述
小样本问题定义、与深度学习的区别、在神经信号中的挑战
few-shot挑战
03
数据预处理实战
带通滤波、陷波滤波、基线校正、ICA去伪影
滤波ICA
04
数据增强技巧
时间扭曲、噪声注入、通道置换、滑动窗口切割
增强滑动窗口
05
特征工程策略
时域特征(均值、方差)、频域特征(功率谱密度)、时频特征(小波变换)
时频小波
06
度量学习方法
孪生网络、原型网络、关系网络原理与实现
原型网络孪生
07
元学习入门
MAML算法、Reptile算法、在EEG上的适配
MAML元学习
08
迁移学习应用
源域选择、微调策略、领域自适应(DA)
DA微调
09
模型轻量化
知识蒸馏、模型剪枝、量化部署
蒸馏剪枝
10
半监督学习
伪标签、一致性正则化、MixMatch在EEG中的应用
半监督MixMatch
11
自监督学习
对比学习(SimCLR)、掩码重建(MAE)、EEG预训练
SimCLRMAE
12
图神经网络
EEG通道拓扑图构建、GCN/GAT模型、空间特征提取
GCNGAT
13
Transformer架构
时间序列Transformer、自注意力机制、位置编码
Transformer注意力
14
混合模型设计
CNN+Transformer、GNN+RNN、多模态融合
混合多模态
15
损失函数优化
对比损失、三元组损失、Focal Loss、标签平滑
Focal三元组
16
超参数调优
贝叶斯优化、网格搜索、学习率调度策略
贝叶斯调度
17
评估指标
准确率、F1-score、混淆矩阵、AUC-ROC、Kappa系数
AUCKappa
18
过拟合应对
Dropout、早停、权重衰减、数据增强组合拳
Dropout早停
19
类别不平衡处理
重采样、代价敏感学习、生成式过采样
重采样生成式
20
跨被试泛化
域泛化(DG)、域适应(DA)、被试归一化技巧
DGDA
21
跨时段泛化
概念漂移检测、增量学习、弹性权重巩固
增量EWC
22
可解释性分析
SHAP值、LIME、梯度类激活图(Grad-CAM)
SHAPGrad-CAM
23
脑机接口(BCI)实战
运动想象分类、P300检测、SSVEP识别
BCIP300
24
睡眠分期应用
小样本睡眠阶段分类、特征迁移、时序建模
睡眠分期
25
癫痫检测实战
发作期检测、预兆预测、小样本异常检测
癫痫异常检测
26
情绪识别挑战
多模态融合、跨个体差异、数据稀缺处理
情绪多模态
27
注意力评估
认知负荷检测、注意力水平分级、实时反馈系统
注意力认知负荷
28
开源工具与框架
MNE-Python、Braindecode、TorchEEG、Sklearn
MNEBraindecode
29
实验设计与验证
留一法交叉验证、嵌套交叉验证、统计显著性检验
交叉验证显著性
30
项目实战与部署
完整Pipeline搭建、ONNX导出、边缘端推理优化
ONNX边缘部署