脑电分析课题进展
一、概要
本周课题进展聚焦于论文与书籍阅读，以及基础知识的学习（包括机器学习与PyTorch的代码学习）
- 论文阅读以毕明川学姐的学位论文为参考《基于EEG的冥想状态数据挖掘研究》
- 书籍阅读以李颖洁的《脑电信号分析方法及其应用》第一章内容为重点
- 机器学习方面进行了TensorFlow的初步应用实现
- 代码方面以学习PyTorch框架为主
二、论文阅读
毕明川. 基于EEG的冥想状态数据挖掘研究[D]. 集美大学, 2025.
（一）内容
本研究应用PSO-NGN-Fuzzy-XGBoost混合模型进行冥想状态分类。主要步骤包括：
- 手工特征提取：从时域、频域和非线性复杂度三个维度提取21种EEG特征。
- 神经气体特征选择（NGN）：利用NGN进行高维特征降维和选择，评估特征重要性。
- 分类器评估与优化：采用粒子群优化（PSO）动态调整XGBoost超参数，并与其他多种分类器进行性能对比。
（二）创新
- 核心创新在于将PSO-NGN-Fuzzy-XGBoost混合模型应用于冥想脑电信号分类。
- 结合NGN进行自适应拓扑降维，并引入模糊隶属函数处理特征不确定性。
- 利用PSO算法高效调整XGBoost超参数。
- 多维度手工特征的融合与NGN特征选择的结合。
（三）不足
- EEG信号特性（高维、低信噪比、个体差异）导致模型过拟合和泛化难题。
- 深度学习模型“黑盒”特性使其难以解释生理机制，且依赖大量预训练数据。
- 传统统计方法忽略特征间交互作用，传统机器学习算法在高维空间存在局限。
笔记详见【论文阅读】基于EEG的冥想状态数据挖掘研究（2025）
三、书籍阅读
本周开始阅读李颖洁的《脑电信号分析方法及其应用》
本次阅读了第一章————脑电信号
主要知识点为
- 脑电研究历史
- 脑电的电生理学基础
- 脑电信号的采集
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，在了解了神经网络的基本应用后，初步掌握了 TensorFlow 在深度学习神经网络中的基础代码实现，对简单模型的搭建和核心概念有了基础认知。
详见学习笔记】机器学习(Machine Learning) | 第七章|神经网络(3)
（二）代码能力
进一步学习python，本周进行了PyTorch框架的学习
这次学习我开始系统学习PyTorch框架以应用到深度学习中，包括正确的安装与环境搭建，并且学习了通过SSH远程连接服务器进行训练。
具体练习代码参考详见以下
python学习——PyTorch框架的学习（1）
五、总结与展望
本周继续进行课题研究，与毕明川论文结合，进行代码的解读，同时阅读书籍进一步了解脑电分析的内容，与机器学习同步开始深度学习中PyTorch框架的学习，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，在书籍与论文的辅助下进行代码的理解与实现，了解更多的知识。