01
课程导论：跨被试迁移学习的背景、挑战与意义
脑电信号的非平稳性与个体差异
背景挑战
02
脑电信号基础回顾
EEG采集原理、国际10-20系统、常见伪迹与预处理流程
EEG10-20
03
Python与MNE库入门
MNE安装、读取原始数据、基础可视化与epoch提取
MNEPython
04
数据预处理实战
滤波、降采样、独立成分分析去伪迹、基线校正
滤波ICA
05
特征工程基础
时域特征（均值、方差、Hjorth参数）、频域特征（功率谱密度）
时域频域
06
传统机器学习分类器
SVM、LDA在单被试EEG分类中的应用与局限
SVMLDA
07
迁移学习概述
什么是迁移学习？为什么需要它？领域自适应与领域泛化的区别
概述领域自适应
08
基于特征对齐的迁移方法
最大均值差异与迁移成分分析
MMDTCA
09
基于子空间学习的迁移
测地线流式核与子空间对齐
GFKSA
10
基于数据分布的迁移
CORAL与类间相关对齐
CORAL分布对齐
11
基于流形学习的迁移
拉普拉斯特征映射与局部保持投影
流形LPP
12
深度学习基础回顾
卷积神经网络与循环神经网络在EEG中的基础应用
CNNRNN
13
深度迁移学习：微调策略与冻结层技巧
在EEGNet上的实践
微调EEGNet
14
对抗性域适应
梯度反转层与域分类器，实现特征不变性
GRL域对抗
15
最大分类器差异
双分类器对抗训练提升域对齐效果
MCD对抗
16
对比学习与迁移
SimCLR框架在跨被试EEG特征学习中的应用
对比学习SimCLR
17
基于Transformer的迁移
EEG-Transformer架构与预训练-微调范式
Transformer预训练
18
多源域迁移学习
如何利用多个源被试数据提升目标被试性能
多源域融合
19
源域选择策略
基于相似度度量的源域筛选与加权融合
源域选择相似度
20
动态域适应
测试时自适应与批量归一化统计量调整
TTABN调整
21
跨数据集迁移
不同实验范式、不同设备间的迁移挑战与解决方案
跨数据集设备差异
22
模型评估与统计检验
跨被试交叉验证、置换检验与效应量分析
评估置换检验
23
可解释性在迁移学习中的应用
显著性图与特征重要性分析
可解释性显著性
24
联邦学习与隐私保护迁移
在分布式EEG数据上协同训练
联邦学习隐私
25
半监督与弱监督迁移
利用少量目标被试标签进行高效迁移
半监督弱监督
26
零样本迁移学习
基于语义属性或先验知识的无标签迁移
零样本语义
27
实战项目一：运动想象跨被试迁移
BCI Competition IV 2a数据集
运动想象BCI
28
实战项目二：情绪识别跨被试迁移
SEED数据集
情绪识别SEED
29
实战项目三：睡眠分期跨被试迁移
Sleep-EDF数据集
睡眠分期Sleep-EDF
30
课程总结与前沿展望
脑机接口大模型、基础模型与未来趋势
总结大模型