脑电机器学习（2026.8.3-8.18）

时间

课程名

具体内容

8.3

周一

Python基础

1.  Anaconda安装

2.  Sypder介绍

3.  Python使用注意事项及python库的安装

4.  Python基础语法

8.4

周二

Python数据加载及其可视化

1.  nii、edf数据加载

2.  mat、csv、txt文件加载

3.  数据可视化及绘图基础（numpy、matplotlib、sklearn）

8.5

周三

Python进阶

1. 函数定义及使用

2. 函数传参方法

3. Python基础数据结构

4. 类、实例、方法、构造函数

5. Python总结

8.6

周四

EEG信号介绍

1.  EEG信号介绍

2.  EEGLAB软件介绍

3.  EEG信号预处理及分析要点

8.7

周五

特征提取

1. 统计学特征

2. 时域

3. 频域

4. 时频域

5. 其他EEG特殊特征

8.8

周六

特征预处理（理论及Python实现）

1. 归一化

2. 标准化

3. 特征二值化

4. 特征编码

5. 缺失值处理

6. 样本不平衡问题

8.9

周日

机器学习基础概念介绍

1. 机器学习模型分类（分类、回归、拟合、有监督/无监督）

2. 数据集划分（验证集、训练集、验证集、留一法、十折交叉法、置换检验）

3. 精度评价指标（F1、ACC、ROC、AUC、混淆矩阵）

4. 欠/过拟合及正则化方法

5. Subject-wise交叉验证

6. 置换检验

8.10

周一

机器学习模型及其实现1

1. 机器学习通用模型及梯度下降

2. 从线性回归到逻辑回归

3. 朴素贝叶斯

4. 朴素贝叶斯介绍（理论、适用范围、优缺点、模型解释）

5. 朴素贝叶斯的Python调用

6. 项目实战

8.11

周二

机器学习模型及其实现2

1. 支持向量机

2. 理论、调用、实战

3. 模型手动调参、随机调参及网格调参

4. 模型解释及特征可视化

5. 决策树（包含模型介绍、调用、调参优化、适用范围、优缺点、项目实战、模型解释等）

8.12

周三

机器学习模型及其实现3

1. K最邻近（包含模型介绍、调用、调参优化、适用范围、优缺点、项目实战、模型解释等）

2. 集成学习及其Python实现

3. 随机森林、梯度提升树（包含模型介绍、调用、调参优化、适用范围、优缺点、项目实战等）

4. 集成学习参数调节

5. 置换检验Python实现

8.13

周四

机器学习模型及其实现4

1.  无监督学习（包含模型介绍、调用、调参优化、适用范围、优缺点、项目实战等）

2.  聚类（K均值聚类和层次聚类）

3.  降维（PCA、LDA）

4.  交叉验证、留一法Python实现模型保存及加载

8.14

周五

机器学习模型及其实现5

1.  MATLAB工具箱（模型初选）

2.  MVPA（多变量模式分析）、RSA（表征相似性分析）

3.  MVPA原理

4.  MVPA的Python实现

5.  基于MVPA实现EEG信号分析

6.  被站点、跨数据集问题

8.15

周六

时间序列信号分析及模型的可解释性

1.  类时间序列信号分析

2.  模型的可解释性

3.  作业检查及讲解

4.  学员答疑

8.16

周日

深度神经网络及其实践

1.  深度学习理论介绍（损失函数、优化器、学习率）

2.  DNN（深度神经网络）理论

3.  DNN模型评价及参数调节

4.  DNN模型的python实现

8.17

周一

特征选择

1. 特征选择过程

2. 生成过程

3. 评价函数

4. 停止条件

5. 验证过程

6. 特征选择算法的Python实现

7. 序列前向选择

8. 序列后向选择

9. Relief算法

8.18

周二

总结

1.  课程总结

2. EEG信号完整分析过程演示

3. 结果汇报及绘图

4. 参数优化

5. 展望（图论、多变量模式分析、CSP、多模型联合决策）

6. 其他补充知识