基于多尺度时序深度学习的运动想象脑电信号分类

围绕左右手运动想象脑电，比较 CSP-LDA、单尺度和多尺度时序网络，在跨会话评价中分析时序特征与个体差异。

• 技术与任务时序与信号 · 机器学习
• 应用方向信息与人工智能 · 医学与健康

项目亮点

• 空间信息与时间信息怎样进入模型
• 跨会话评价为什么更有意义
• 平均分之外还应看什么

数据与任务

想象左手和右手运动，会在脑电中留下怎样的时序模式？这个项目从真实多通道脑电出发，用传统空间特征与深度时序模型对照，研究如何将微弱信号变成可区分的类别。

先说清楚，它到底在做什么

实验使用 BCI Competition IV 2a 的九名被试，选取左右手两个类别，采用 5—40 Hz 滤波与 0.5—4 秒时间窗。每名被试用训练会话学习，在另一会话测试，关注跨会话变化下的分类表现。

搞懂它，你能在面试里讲清楚什么

空间信息与时间信息怎样进入模型

CSP-LDA 利用类别相关的空间投影，TCN 用卷积提取随时间变化的模式。多尺度分支采用不同感受野，使短时变化与较长节律共同参与分类。

跨会话评价为什么更有意义

同一被试在不同会话中会出现信号分布变化。固定训练与测试会话后，再比较三个训练随机种子，可以观察模型在共同任务条件下的稳定性。

平均分之外还应看什么

多尺度 TCN 的平均平衡准确率为 75.87%，CSP-LDA 为 72.54%，单尺度 TCN 为 73.96%。逐被试热力图和混淆矩阵进一步展示个体差异，以及左右手识别是否均衡。

怎样阅读实验与配图

原始脑电波形、网络结构与逐被试结果让汇报从信号本身讲到模型表现。技术文档解释滤波、窗口、多尺度感受野和分类指标之间的联系，适合循序理解脑机接口中的信号建模。

面试与答辩可以怎样准备

为什么脑电分类要明确滤波频段与截取窗口？

多尺度卷积的感受野分别对应什么时间范围？

逐被试跨会话评价与跨被试泛化有何区别？

配套讲解材料围绕整体思路、关键步骤与结果解读展开，并提供面试问答与简历表达参考。准备时可以先按流程说明输入和输出，再选一个样例解释方法，最后用结果图回答具体问题。简历描述结合实际参与内容调整，配图可以放入 PPT 模板组织汇报。

配套资料

技术文档从任务背景、数据组织讲到模型与实验，再结合图表解释结果，包含面试问答和项目表达参考。下面展示正文选页，便于了解讲解内容与图文组织。

代码覆盖数据处理、核心方法和实验分析。下面是实际源码中的关键函数节选，可以结合文档中的流程与公式阅读，再沿输入、计算与输出理解具体实现。

适合谁

生物医学工程、电子信息、自动化与脑机接口方向。 项目资料可用于学习、选题交流与面试答辩准备；沿着数据、方法、实验和解释逐步掌握，形成能够独立讲清楚的项目经历。