★ 课程简介 ★
随着人们对神经系统功能认识的提高和计算机技术的发展，脑机接口（BCI）技术的研究呈明显的上升趋势。BCI是一种不依赖大脑外周神经与肌肉正常输出通道的控制系统。BCI技术的核心是把用户输入的脑电信号转换成输出控制信号或命令的转换算法。转换算法的核心是机器学习。然而，机器学习具有一定的理论及实践难度，使得许多临床医生和认知神经科学研究者入门较为困难。如何快速入门并掌握机器学习相关技术是进行脑影像人工智能研究的关键，为此拟举办脑电机器学习班，通过手把手教学，理论与实践相结合，期待帮助临床医生与初入门的认知神经领域科研人员快速掌握脑电机器学习相关数据分析操作技能，如各种机器学习模型的构建及分析等，从而提高专业人员开展相关研究工作的水平。
★ 培训对象 ★
本次培训班面向的对象是希望利用脑电技术进行科研的研究生、临床研究的医生、研究人员等，学员需具一定的脑电及matlab基础，培训班进行小班授课，重点培训学员操作，并且后续提供持续的在线详细的解答、支持，及时解决学员问题。
★ 课程内容 ★
内容主要包括：脑电预处理，脑电机器学习原理、Matlab编程基础、静息态脑电特征的提取（功率谱、功能连接、脑电熵等）、各种机器学习模型（K近邻、线性判别分析、支持向量分类、支持向量回归、ElasticNet、随机森林等）、静息态/任务态脑电的分类与回归分析、结果汇报与结果展示、特征筛选与特征降维等。
★ 课程特色 ★
★ 具体课表 ★
课程名 | 主要内容 | |
8.19 | Python基础 | ①Anaconda安装 ②Sypder介绍 ③Python使用注意事项及python库的安装 ⑤Python基础语法 |
8.20 | Python数据加载及其可视化 | ①nii、edf数据加载 ②mat、csv、txt文件加载 ③数据可视化及绘图基础（numpy、matplotlib、sklearn） |
8.21 | Python进阶 | ①函数定义及使用 ②函数传参方法 ③Python基础数据结构 ④类、实例、方法、构造函数 ⑤Python总结 |
8.22 | EEG信号介绍 | EEG信号介绍 EEGLAB软件介绍 EEG信号预处理及分析要点 |
8.23 | 特征提取 | 统计学特征 时域 频域 时频域 其他EEG特殊特征 |
8.24 | 特征预处理（理论及Python实现） | 归一化 标准化 特征二值化 特征编码 缺失值处理 样本不平衡问题 |
8.25 | 直播答疑 | 总结课程，解答疑问 |
8.26 | 机器学习基础概念介绍 | 机器学习模型分类（分类、回归、拟合、有监督/无监督） 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） 精度评价指标（F1、ACC、ROC、AUC、混淆矩阵） 欠/过拟合及正则化方法 Subject-wise交叉验证 置换检验 |
8.27 | 机器学习模型及其实现1 | 机器学习通用模型及梯度下降 从线性回归到逻辑回归 朴素贝叶斯 朴素贝叶斯介绍（理论、适用范围、优缺点、模型解释） 朴素贝叶斯的Python调用 项目实战 |
8.28 | 机器学习模型及其实现2 | 支持向量机 理论、调用、实战 模型手动调参、随机调参及网格调参 模型解释及特征可视化 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） |
8.30 | 机器学习模型及其实现3 | 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） 集成学习及其Python实现 随机森林决、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） 梯度提升树 集成学习参数调节 置换检验Python实现 |
8.31 | 机器学习模型及其实现4 | 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） 聚类（K均值聚类和层次聚类） 降维（PCA、LDA） 交叉验证、留一法Python实现 模型保存及加载 |
9.1 | 机器学习模型及其实现5 | MATLAB工具箱（模型初选） MVPA（多变量模式分析）、RAS（表征相似性分析） MVPA原理 MVPA的Python实现 基于MVPA实现EEG信号分析 被站点、跨数据集问题 |
9.2 | 时间序列信号分析及模型的可解释性 | 类时间序列信号分析 模型的可解释性 作业检查及讲解 学员答疑 |
9.4 | 直播答疑 | 总结课程，解答疑问 |
9.5 | 深度神经网络及其实践 | 深度学习理论介绍（损失函数、优化器、学习率） DNN（深度神经网络）理论 DNN模型评价及参数调节 DNN模型的python实现 |
9.6 | 特征选择 | 特征选择过程 生成过程 评价函数 停止条件 验证过程 特征选择算法的Python实现 序列前向选择 序列后向选择 Relief算法 |
9.7 | 总结 | 课程总结 EEG信号完整分析过程演示 结果汇报及绘图 参数优化 展望（图论、多变量模式分析、CSP、多模型联合决策） 其他补充知识 |
9.8 | 直播答疑 | 总结课程，解答疑问 |
★ 培训人数 ★
此次课程限定人数，报名敬请从速。
★ 培训费用 ★
（1）培训费用为 5000元/人。
★ 报名方式 ★
(2) 扫描下方二维码咨询购买，后续若有需要，再开发票。
你可能会遇到的问题
Q：报名后学习期限是多久？
A：课程有效期为三年，可反复观看；建议尽快完成课程学习哦，早学早收获！
Q：报名后是否可以退费？
A：报名登记后不接受退、改班。如因个人原因需退费的学员，请于开课前一周之前申请退费(需承担税费)；开课前一周内申请退费的，退回80%学费；开课后申请退费则需与助教进行协商。
★培训人员简介 ★
李老师，计算机科学与技术专业，医工交叉博士，研究方向为电生理信号分析（EEG，ECG，PPG）、医学影像智能分析（MRI，CT），近三年以第一作者在相关领域学术期刊发表论文数篇。
周翊，负责人。
★ 在线支持服务 ★
为参加培训的学员提供免费的在线远程一对一的答疑服务，支持与合作，确保学员能够熟练掌握数据处理方法。
★ 备注 ★
请各位学员自备笔记本电脑Windows64位系统（推荐win10）、i5及以上、8G内存、50G剩余存储空间等基本配置；请尽量不要使用苹果电脑和AMD处理器的电脑。
网课建议
一、不缺席
在线课程为方便大家不再舟车劳顿到长沙参加而设置，请大家确保时间，尽量不缺席课程！不缺席课程！不缺席课程！重要事情说三遍，一旦缺席，很有可能就跟不上课程进度。
二、学习建议
1、网课对网络有要求，提前调好网络，网络畅通；如果使用的是台式电脑，请提前准备好耳麦，并调好。
2、课程为茗创科技在线直播培训，建议您备好两个屏幕（例如；电脑外接显示屏/ipad配合电脑使用），一个屏幕观看平台直播，另一个屏幕跟随课程操作。
3、预先设置好课程资料放置路径，方便网课跟随操作。
4、做到课堂认真听讲，坚决不使用手机、电脑等做其它与课程内容无关的事情，这是提升自己自制力的好时候。
5、开始上课之后，提前在上课前做好必要的上课准备，比如提前上厕所，休息期间接好水，保证上课过程中能够完全集中注意力去听课。
6、按时进入直播间，严格跟随课程进度及操作，按要求完成学习任务。
7、上课时，如果出现卡顿、听不见声音或看不见画面的情况，不要惊慌，退出重启试试。
