1. 脑电信号分类项目概述

脑电信号（EEG）分析是神经科学和脑机接口研究的重要方向。想象一下，如果我们能直接从大脑电活动中识别出人的意图或状态，这将为医疗诊断、智能交互等领域带来革命性变化。EEGNet作为专为脑电信号设计的轻量级神经网络，配合MNE-Python这个强大的信号处理工具，构成了一个高效的解决方案。

我在实际项目中多次使用这套组合，发现它特别适合两类人群：一是刚接触脑电分析的在校研究生，二是需要快速验证想法的工业界开发者。整个流程从原始数据到分类结果，最快2小时就能跑通。下面我会用最直白的语言，带你走完这个项目的每个关键步骤。

2. 环境配置与数据准备

2.1 工具链搭建

先说说我的环境配置经验。推荐使用Python 3.7+和TensorFlow 2.x的组合，这个版本兼顾了稳定性和新特性。安装核心依赖其实就三行命令：

pip install tensorflow==2.7.0
pip install mne==0.24.1
pip install matplotlib scikit-learn numpy

这里有个小坑要注意：MNE的新版可能会改变某些API的默认参数。有次我升级到0.25版后发现预处理结果异常，回退到0.24.1就正常了。建议先用固定版本确保可复现性。

2.2 数据集详解

我们用的Sample数据集来自麻省总医院的Neuromag Vectorview系统，包含60通道EEG数据。这个数据集的特点是：

• 采样率600Hz，已经过0.1-40Hz带通滤波
• 包含视觉（棋盘图案）和听觉（音调）两种刺激
• 每个试次(trial)时长1秒，共288个试次

数据目录结构很重要，我建议这样组织：

project/
├── data/
│   ├── MEG/
│   │   └── sample/  # 原始数据
│   └── subjects/
└── scripts/  # 存放代码

3. EEGNet模型深度解析

3.1 网络架构设计

EEGNet的精妙之处在于它的四层设计：

1. 时域卷积层：用1×64的卷积核捕捉时间模式
2. 深度可分离卷积：分别处理空间和时间维度
3. 可分离卷积层：进一步提取高级特征
4. 分类层：通过softmax输出概率

这种设计就像先分别观察每个电极的时间变化（时域），再分析电极间的空间关系（空域），最后综合判断。实测下来，参数量只有传统CNN的1/10，但准确率相当。

3.2 关键代码实现

模型构建的核心是这几个参数：

• F1=8：第一层卷积核数量
• D=2：深度乘子(depth multiplier)
• F2=16：第二层卷积核数量
• kernLength=64：时域卷积核长度

def EEGNet(nb_classes, Chans=64, Samples=128, dropoutRate=0.5, 
           kernLength=64, F1=8, D=2, F2=16):
    
    input1 = Input(shape=(Chans, Samples, 1))
    
    # 第一层：时域卷积
    block1 = Conv2D(F1, (1, kernLength), padding='same', 
                   use_bias=False)(input1)
    block1 = BatchNormalization()(block1)
    
    # 第二层：深度可分离卷积
    block1 = DepthwiseConv2D((Chans, 1), depth_multiplier=D,
                            depthwise_constraint=max_norm(1.))(block1)
    block1 = Activation('elu')(block1)
    block1 = AveragePooling2D((1, 4))(block1)
    
    # 第三层：可分离卷积
    block2 = SeparableConv2D(F2, (1, 16), padding='same',
                            use_bias=False)(block1)
    block2 = Activation('elu')(block2)
    block2 = AveragePooling2D((1, 8))(block2)
    
    # 分类层
    flatten = Flatten()(block2)
    dense = Dense(nb_classes, kernel_constraint=max_norm(0.25))(flatten)
    softmax = Activation('softmax')(dense)
    
    return Model(inputs=input1, outputs=softmax)

4. 完整项目实战

4.1 数据预处理技巧

用MNE加载数据时，这几个参数直接影响结果质量：

• picks=mne.pick_types(..., eeg=True)：只选择EEG通道
• tmin=-0.2, tmax=1：分析时间窗口
• baseline=(-0.2,0)：基线校正时段

def load_data():
    raw = mne.io.read_raw_fif('sample_audvis_filt-0-40_raw.fif', preload=True)
    raw.filter(2, 40)  # 带通滤波
    events = mne.read_events('sample_audvis_filt-0-40_raw-eve.fif')
    
    # 创建epochs
    epochs = mne.Epochs(raw, events, event_id=dict(aud_l=1, aud_r=2, vis_l=3, vis_r=4),
                       tmin=-0.2, tmax=1, baseline=(-0.2,0), preload=True)
    
    # 转换为numpy数组
    X = epochs.get_data() * 1e6  # 转换为μV
    y = epochs.events[:, -1] - 1  # 标签转为0-3
    
    return train_test_split(X, y, test_size=0.2)

4.2 训练与评估

训练时我推荐这些技巧：

• 使用ModelCheckpoint保存最佳模型
• 设置class_weight处理类别不平衡
• 添加EarlyStopping防止过拟合

model = EEGNet(nb_classes=4, Chans=60, Samples=151)
model.compile(optimizer='adam', loss='categorical_crossentropy', 
              metrics=['accuracy'])

checkpoint = ModelCheckpoint('best_model.h5', save_best_only=True)
early_stop = EarlyStopping(patience=30)

history = model.fit(
    X_train, y_train,
    validation_data=(X_val, y_val),
    epochs=300,
    batch_size=16,
    callbacks=[checkpoint, early_stop]
)

# 测试集评估
model.load_weights('best_model.h5')
y_pred = model.predict(X_test).argmax(axis=1)
print(f"测试准确率: {accuracy_score(y_test, y_pred):.2f}")

4.3 结果可视化

用Matplotlib绘制训练曲线和混淆矩阵：

plt.figure(figsize=(12,4))
plt.subplot(121)
plt.plot(history.history['accuracy'], label='训练集')
plt.plot(history.history['val_accuracy'], label='验证集')
plt.title('准确率曲线')

plt.subplot(122)
cm = confusion_matrix(y_test, y_pred)
sns.heatmap(cm, annot=True, fmt='d')
plt.title('混淆矩阵')

5. 常见问题解决

在实际跑代码时，你可能遇到这些问题：

问题1：显存不足报错

• 解决方案：减小batch_size到8或4，或者使用tf.config.experimental.set_memory_growth

问题2：验证集准确率波动大

• 解决方案：尝试调整dropoutRate（0.3-0.6），或增加F1/F2的值

问题3：训练早期出现NaN损失

• 解决方案：检查输入数据是否包含异常值，可以添加ClipNorm约束

有次我遇到准确率始终卡在25%（随机猜测水平），最后发现是标签没有正确减1导致类别错位。这种细节问题最耗时，建议在数据加载后立即打印np.unique(y_train)确认类别数。