织梦做的网站怎么上传视频教程网站建设(中企动力)

脑电分析课题进展

---

一、概要

本周课题进展聚焦于论文阅读，EEGLAB的安装与使用以及基础知识的学习（包括机器学习与python的代码学习）

• 论文阅读以周梓涵学姐的学位论文为参考《基于注意力机制的冥想脑电分类识别研究》
• EEGLAB参考毕明川学长的总体处理流程
• 机器学习继续在神经网络的道路上学习
• python代码能力以学习NumPy，Pandas以及Matplotlib三大数据分析库为主

二、论文阅读

[1] 周梓涵. 基于注意力机制的冥想脑电分类识别研究[D]. 集美大学, 2025.

（一）内容

本文主要围绕Global Adaptive Transformer (GAT)模型展开研究，旨在解决冥想脑电分类中的域适应挑战，并实现跨数据集迁移 。研究内容包括：

1. GAT模型复现与性能验证：在BCI Competition IV 2a数据集上复现GAT的并行时空卷积与注意力适配器架构，并验证其性能 。

2. 跨数据集迁移研究：将GAT模型迁移至自建冥想脑电数据集，并结合ICA-ADJUST联合去噪与频域特征强化策略进行优化 。

（二）创新

本文的创新点主要体现在将Global Adaptive Transformer（GAT）模型应用于冥想脑电分类的域适应问题，并结合特定的预处理和特征强化策略 。

（三）不足

本研究仍存在以下局限性：

1. 模型性能差异：GAT模型复现结果与原论文有细微差距，可能需优化超参数或架构。

2. 泛化能力待提高：训练集和验证集准确率差距提示模型可能已达当前架构上限，泛化能力仍有提升空间。

3. 对冥想EEG特性优化不足：尽管表现良好，但对冥想脑电特有的低信噪比和节律特性（如 α/θ 波节律波动）的针对性优化还不够。

4. 单一模态限制：目前仅使用脑电信号，未来可考虑融合心率变异性（HRV）、皮肤电反应（GSR）等其他生理信号。

笔记详见【论文阅读】基于注意力机制的冥想脑电分类识别研究（2025）

三、EEGLAB的安装及使用

本周参考了毕明川学长的应用EEGLAB来进行脑电数据的分析与处理

（一）过程

在刚开始使用之前安装好的MatlabR2024b版本进行导入EEGLAB14.1.1，发现Matlab版本过高，于是改用EEGLAB最新版2025.0.0。
在进行预处理测试时发现许多问题，如不能正确识别数据集等，于是在经历多次失败并无法调整后，再次改用Matlab版本。
错误示例：
主要表现为不能正确处理标签与数据的关系

14 channel with the same label found and importedChannel lookup: no location for MARKERChannel locations loaded successfully.Plotting...数组索引必须为正整数或逻辑值。出错 topoplot (第 638 行)ContourVals(Values) = 1;^^^^^^^^^^^^^^^^^^^出错 pop_topoplot (第 384 行)tmpobj = topoplot( SIGTMPAVG(:,index), EEG.chanlocs, options{:});^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^出错 test_single (第 43 行)pop_topoplot(EEG, 1, 1, 'EEG Topography', [0 0 1 1], 0, ...^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^

接着采用的是MatlabR2016b版本，与EEGLAB14.1.1做到了很好的适配，但在进行处理的过程中发现版本有点落后，于是再次更换版本至MatlabR2018b，至此完全跑通代码。

注：MatlabR2018b在深度学习的架构上进行优化，建议进行相关分析的任务考虑R2018b及其之后的版本

（二）结果

以上为毕明川学长的结果

以上为本人跑出的结果，可以看见结果相似
核心步骤主要为

1. 预处理
2. 特征提取
3. 分类

注：本次各软件及插件版本如下
软件：
MatlabR2018b
EEGLAB14.1.1
插件：
Adjust v1.1.1
dipfit v2.3
firfilt v2.8

四、基础知识学习

（一）机器学习

进行了神经网络的进一步学习，了解了神经网络的基本应用
详见【学习笔记】机器学习(Machine Learning) | 第七章|神经网络(2)

（二）代码能力

进一步学习python，本周进行了数据分析三大库的学习，分别是NumPy，Pandas以及Matplotlib。
这次学习我学会了应用python来进行基础的数据分析，为机器学习的数据处理能力打下基础，提升了代码能力。
具体练习代码参考详见以下

• python学习——Numpy库的基础
• python学习——Pandas库的基础
• python学习——Matplotlib库的基础

五、总结与展望

本周稳步进行课题研究，进一步了解脑电分析的内容，同时对基础能力的打磨更加扎实。
下一周将继续聚焦于论文阅读与深度学习，了解更多的知识，同时尝试完成周梓涵学姐论文的代码复现。