01
神经信号基础
脑电图(EEG)原理、信号采集设备、常见伪影类型、神经信号数字化基础
EEG数字化
02
深度学习框架选型
PyTorch vs TensorFlow、ONNX Runtime、TensorRT、OpenVINO对比
框架推理引擎
03
数据预处理流水线
带通滤波、独立成分分析(ICA)、共平均参考(CAR)、基线校正、分段与标注
滤波ICA
04
模型架构设计
EEGNet、DeepConvNet、ShallowConvNet、Transformer for EEG
EEGNetTransformer
05
训练优化技巧
学习率调度、权重初始化、梯度裁剪、混合精度训练、早停策略
优化混合精度
06
模型量化
动态量化、静态量化、量化感知训练(QAT)、INT8/FP16精度对比
INT8QAT
07
模型剪枝
结构化剪枝、非结构化剪枝、通道剪枝、剪枝后微调策略
剪枝微调
08
知识蒸馏
教师-学生架构、软标签蒸馏、特征层蒸馏、蒸馏温度调节
蒸馏软标签
09
ONNX导出与优化
torch.onnx.export、动态轴设置、算子融合、图优化
ONNX图优化
10
TensorRT部署
TensorRT安装、engine构建、动态batch、INT8校准
TensorRTINT8
11
OpenVINO部署
模型优化器、IR文件格式、推理引擎API、异构执行
OpenVINOIR
12
边缘设备部署
Jetson Nano、树莓派、手机端(TFLite)、MCU(TVM)
边缘TFLite
13
推理引擎对比
ONNX Runtime vs TensorRT vs OpenVINO vs TFLite性能基准
基准延迟
14
实时推理优化
异步推理、流水线并行、内存池复用、CPU/GPU负载均衡
实时流水线
15
模型服务化
Flask/FastAPI部署、gRPC协议、Docker容器化、Kubernetes编排
服务化K8s
16
监控与日志
Prometheus指标收集、Grafana可视化、ELK日志分析、告警机制
监控Grafana
17
A/B测试框架
模型版本管理、流量切分、在线评估指标、回滚策略
A/B回滚
18
CI/CD
GitHub Actions、模型测试自动化、部署流水线
CI/CD自动化
19
联邦学习
横向联邦、纵向联邦、安全聚合、差分隐私在神经信号中的应用
联邦隐私
20
模型可解释性
Grad-CAM、SHAP、LIME、注意力可视化在EEG上的应用
可解释Grad-CAM
21
对抗鲁棒性
对抗样本生成、对抗训练、防御蒸馏、鲁棒性评估指标
对抗鲁棒性
22
数据增强
时间扭曲、频率掩码、通道丢弃、混合样本(Mixup)、GAN增强
增强Mixup
23
迁移学习
领域自适应、微调策略、冻结层策略、源域选择
迁移微调
24
多模态融合
EEG+眼动、EEG+近红外(fNIRS)、EEG+行为数据融合策略
多模态fNIRS
25
图神经网络(GNN)在EEG中
脑功能连接图、图卷积网络、时空图网络
GNN脑连接
26
自监督学习
对比学习(SimCLR)、掩码自编码器(MAE)、预训练-微调范式
自监督SimCLR
27
强化学习在神经信号中
脑机接口(BCI)中的策略学习、奖励设计
强化学习BCI
28
模型压缩综合案例
从PyTorch模型到TensorRT部署的全流程实战
综合TensorRT
29
性能基准测试
延迟、吞吐量、功耗、内存占用的标准化测试方法
基准功耗
30
前沿趋势
脉冲神经网络(SNN)、神经形态计算、脑机接口芯片、脑云融合
SNN脑云