基于CNN+Transformer的脑电信号分类系统源码解析与实战

简介这份资源是面向计算机相关专业本科生与项目实战学习者的脑电信号分类系统源码采用CNN与Transformer混合框架可作为毕业设计、课程设计或期末大作业的完整参考方案。压缩包共31个文件约18.46MB以23个Python脚本为核心覆盖模型定义、训练与可视化流程另含2个MATLAB预处理脚本、2个Excel统计表、1个npy数据文件、1个pth权重文件及xml、md等配置说明兼顾算法实现与实验记录。项目围绕EEGNet、空间时序注意力、共空间模式、Morlet变换等模块展开并提供t-SNE降维、AUC曲线、脑电热力图、CAM类激活图与统计检验等分析脚本便于理解从数据预处理到结果呈现的完整链路。目前已有64人学习下载适合希望快速掌握脑电分类建模思路、对照复现实验并完成论文撰写的读者参考。1. 从一份本科毕设源码说起CNNTransformer 怎么做脑电信号分类脑电信号分类这个方向每年毕业季都有大量同学在找可跑的源码。我拿到这份「基于 Transformer 脑电信号分类系统源码CNNTransformer 框架」时第一反应是它解决的不是「从零训练一个 SOTA 模型」的问题而是「在有限算力和有限数据下把一段多通道 EEG 时序稳定地分到若干类别」的问题。EEG 本身信噪比低、通道间相关性强、样本量通常只有几百到几千条纯 Transformer 容易过拟合纯 CNN 又抓不住长程依赖所以 CNN 提局部特征、Transformer 建模全局时序是这类任务里比较务实的组合。它适合正在做计算机、电子信息、人工智能方向毕业设计需要一套能读懂、能改、能写进论文的实验框架的同学也适合想快速验证自己采集的 EEG 数据能不能被分类的从业者。2. 拆开这套 CNNTransformer 框架数据流、张量形状与选型理由2.1 为什么不是纯 Transformer也不是纯 CNN先讲清楚选型。EEG 是典型的多通道时间序列假设采样率 250Hz一次试验 4 秒那就是 1000 个时间点通道数常见 8、16、32、64。如果直接把这 1000×C 的矩阵拉平送进全连接参数量爆炸且丢掉了时间结构如果只用 CNN卷积核感受野有限堆很多层才能覆盖整段时序而且池化会丢掉相位类信息。Transformer 的自注意力天然能建模任意两个时间点的关系对 EEG 里跨区域的同步放电模式很合适。但问题在于自注意力的参数量和计算量随序列长度平方增长1000 个时间点直接做全局注意力显存和过拟合都扛不住。所以常见做法是先用 CNN 做下采样和局部特征提取把 1000 个时间点压到 100 到 250 个 token再送进 Transformer 编码器。这样既保留了局部波形特征又让注意力在可接受的序列长度上工作。这份源码走的就是这个思路前端是若干层一维卷积加池化后端是标准 Transformer Encoder最后接一个分类头。理解这条主线后面看代码就不会迷路。2.2 数据加载与张量形状约定EEG 数据常见的存储格式有.npy、.mat、.csv也有用 MNE 读.edf、.fif的。这份源码默认走的是「已经切好 epoch 的数组」形状约定为(N, C, T)即样本数、通道数、时间点。这个顺序很关键因为 PyTorch 的Conv1d要求输入是(batch, channels, length)如果你的数据是(N, T, C)必须先转置否则卷积会把时间点当通道结果完全错乱。下面是我一般会先跑一遍的数据检查脚本确认形状、标签分布和是否有 NaNimport numpy as np # 假设数据已经存成 npyX 是信号y 是标签 X np.load(eeg_data.npy) # 期望形状 (N, C, T) y np.load(eeg_labels.npy) # 期望形状 (N,) print(X shape:, X.shape) print(y shape:, y.shape) print(类别分布:, np.bincount(y)) print(是否存在 NaN:, np.isnan(X).any()) print(单样本均值/标准差:, X[0].mean(), X[0].std()) # 如果形状是 (N, T, C)这里转成 (N, C, T) if X.shape[1] X.shape[2]: X np.transpose(X, (0, 2, 1)) print(已转置为 (N, C, T):, X.shape)逻辑说明先打印形状人眼确认通道维和时间维哪个在前np.bincount看类别是否严重不平衡如果某一类占 90%后面训练必须加权重或重采样NaN 检查是血泪经验EEG 采集断连经常产生 NaN不处理会让 loss 直接变 nan。参数上X.shape[1] X.shape[2]这个判断只是启发式实际要以你的采集协议为准通道数一般远小于时间点数所以这个判断在多数场景成立但别当成万能。2.3 模型结构CNN 前端与 Transformer 编码器怎么接前端 CNN 的作用是降维和提特征。常见配置是三层一维卷积通道数从输入的 C 逐步升到 64、128每层后接 BatchNorm、ReLU 和最大池化池化核一般取 2 或 4。这样时间维从 1000 降到 1000/8 到 1000/64 之间。卷积核大小取 7 到 15 比较常见太小抓不到波形太大参数量上升。后端 Transformer 用nn.TransformerEncoderd_model要和 CNN 输出通道数对齐nhead要能整除d_model常见d_model128, nhead8层数 2 到 4 层足够再多在小数据集上就是过拟合。位置编码用可学习的位置嵌入因为 EEG 的绝对位置有意义比如刺激后 300ms 的成分。import torch import torch.nn as nn class CNNTransformer(nn.Module): def __init__(self, in_chans, num_classes, d_model128, nhead8, num_layers3): super().__init__() # CNN 前端逐步升通道、降时间 self.cnn nn.Sequential( nn.Conv1d(in_chans, 64, kernel_size15, padding7), nn.BatchNorm1d(64), nn.ReLU(), nn.MaxPool1d(2), nn.Conv1d(64, 128, kernel_size7, padding3), nn.BatchNorm1d(128), nn.ReLU(), nn.MaxPool1d(2), nn.Conv1d(128, d_model, kernel_size3, padding1), nn.BatchNorm1d(d_model), nn.ReLU(), nn.MaxPool1d(2), ) # 可学习位置编码长度按最大时间步给足 self.pos_embed nn.Parameter(torch.zeros(1, 512, d_model)) encoder_layer nn.TransformerEncoderLayer( d_modeld_model, nheadnhead, dim_feedforward256, dropout0.3, batch_firstTrue) self.encoder nn.TransformerEncoder(encoder_layer, num_layersnum_layers) self.head nn.Linear(d_model, num_classes) def forward(self, x): # x: (B, C, T) x self.cnn(x) # - (B, d_model, T) x x.transpose(1, 2) # - (B, T, d_model) x x self.pos_embed[:, :x.size(1), :] x self.encoder(x) # - (B, T, d_model) x x.mean(dim1) # 时间维平均池化 return self.head(x)逻辑说明batch_firstTrue让 Transformer 接受(B, T, d_model)省去手动转置的麻烦。位置编码用nn.Parameter而不是正弦编码是因为 EEG 的绝对时间位置和任务强相关可学习编码在数据量够时更灵活。dropout0.3是这类小数据集的常用值如果你数据量上千可以降到 0.1。x.mean(dim1)是最简单的聚合方式也可以换成取最后一个 token 或注意力池化但平均池化最稳先跑通再换。参数上d_model必须等于 CNN 最后一层输出通道数否则相加会报维度错误nhead必须整除d_model128/816 没问题如果你改成d_model100nhead8就会报错。pos_embed的长度 512 是上限如果你的时间步超过 512要么加大这个数要么在 CNN 里多池化一次。2.4 训练循环与关键超参训练部分没什么玄学但有几个参数直接决定能不能收敛。优化器用 AdamW学习率 1e-3 到 1e-4权重衰减 1e-4。损失函数用交叉熵类别不平衡时加weight。batch size 受显存限制EEG 数据一般 32 或 64。早停 patience 设 10 到 15因为小数据集上验证 loss 波动大patience 太小会误停。from torch.utils.data import DataLoader, TensorDataset import torch.optim as optim device torch.device(cuda if torch.cuda.is_available() else cpu) X_t torch.tensor(X, dtypetorch.float32) y_t torch.tensor(y, dtypetorch.long) loader DataLoader(TensorDataset(X_t, y_t), batch_size32, shuffleTrue) model CNNTransformer(in_chansX.shape[1], num_classeslen(np.unique(y))).to(device) optimizer optim.AdamW(model.parameters(), lr1e-3, weight_decay1e-4) criterion nn.CrossEntropyLoss() for epoch in range(100): model.train() total_loss 0 for xb, yb in loader: xb, yb xb.to(device), yb.to(device) optimizer.zero_grad() out model(xb) loss criterion(out, yb) loss.backward() # 梯度裁剪防止 Transformer 梯度爆炸 torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm1.0) optimizer.step() total_loss loss.item() print(fepoch {epoch}, loss {total_loss/len(loader):.4f})逻辑说明clip_grad_norm_是 Transformer 训练的后悔药EEG 数据里偶尔有幅度异常的样本不裁剪容易梯度爆炸。shuffleTrue必须开否则同类样本连续进入BatchNorm 统计量会偏。学习率 1e-3 是起点如果 loss 前几个 epoch 不降先降到 1e-4 试。这段代码没写验证集实际做毕设必须切出 20% 做验证否则论文里的准确率没有说服力。3. 把源码跑起来环境、数据替换与训练排错3.1 环境依赖与版本对齐这类源码最常见的翻车点不是模型是环境。PyTorch 版本和 CUDA 版本不匹配torch.cuda.is_available()返回 False代码默默跑在 CPU 上一个 epoch 跑半小时。我一般先固定一套组合Python 3.9 到 3.10PyTorch 2.0 以上CUDA 11.8 或 12.1numpy 1.24 左右。不要盲目装最新版Transformer 相关 API 在 1.x 和 2.x 之间有变化源码如果写的是旧写法装新版会报batch_first相关错误。# 建议用 conda 建独立环境避免污染系统 Python conda create -n eeg_transformer python3.10 -y conda activate eeg_transformer # 按你的 CUDA 版本选对应命令这里以 CUDA 11.8 为例 pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118 pip install numpy scipy scikit-learn matplotlib # 验证 GPU 是否可用 python -c import torch; print(torch.__version__, torch.cuda.is_available())逻辑说明--index-url指定 PyTorch 官方 wheel 源避免 pip 默认源装到 CPU 版。最后一行验证必须打印True如果是False先别急着跑训练去查显卡驱动和 CUDA 版本对应关系。这一步省不得我见过太多人训练一晚上发现用的是 CPU。3.2 替换成自己的数据三个必须改的地方源码默认带一份示例数据你要换成自己采集或公开数据集比如 BCI Competition IV 2a。需要改三处数据路径、通道数、类别数。通道数在模型初始化时传入类别数决定分类头输出维度。如果你的数据通道数和源码不一致CNN 第一层in_chans不改会直接报维度错误。# config 里通常有这几个字段按你的数据改 DATA_PATH your_data.npy # 换成你的数据路径 LABEL_PATH your_labels.npy IN_CHANS 22 # 你的电极通道数比如 22 或 64 NUM_CLASSES 4 # 你的分类类别数 SEQ_LEN 1000 # 你的单样本时间点数 # 如果数据是 (N, T, C)加载后转置 X np.load(DATA_PATH) if X.shape[1] ! IN_CHANS: X np.transpose(X, (0, 2, 1)) assert X.shape[1] IN_CHANS, f通道数不匹配: {X.shape}逻辑说明assert这行是保险丝形状不对立刻停别让它跑到模型里再报错那时候错误信息很难定位。SEQ_LEN影响位置编码长度和 CNN 池化后的时间步如果你的序列比源码短很多池化层数要相应减少否则最后时间维变成 1Transformer 就没意义了。3.3 训练不收敛时先看什么loss 不降或震荡按这个顺序排查第一学习率是不是太大先降到 1e-4第二数据有没有归一化EEG 原始值可能在微伏级不做 z-score 或除以标准差梯度会很小第三标签有没有对错位np.bincount看分布是否合理第四BatchNorm 在 batch size 太小时不稳定如果 batch 只有 8考虑换 GroupNorm 或加大 batch。验证准确率远高于训练准确率通常是 dropout 太强或数据泄漏检查切分时有没有把同一被试的样本同时放进训练和验证。EEG 做被试独立划分才严谨同一被试的样本混在一起准确率会虚高十几个点这是论文里常见的硬伤。4. 避坑与常见问题EEG 分类里那些容易翻车的地方4.1 现象训练 loss 正常下降验证准确率一直在 25% 左右原因类别数如果是 425% 就是随机水平说明模型没学到东西。最常见的原因是标签和数据没对齐比如数据做了 shuffle 但标签没跟着 shuffle或者标签从 0 开始还是从 1 开始和模型输出对不上。解决先固定一个 batch 打印xb[0]和yb[0]人眼确认信号和标签对应再用一个极小数据集比如 20 条过拟合测试如果连 20 条都拟合不到 100%说明模型或数据管道有 bug不是超参问题。4.2 现象训练到一半 loss 突然变成 nan原因EEG 数据里存在幅度异常大的样本或者某段信号全零导致 BatchNorm 方差为零反向传播时梯度爆炸。解决加载数据后做幅度检查超过均值 5 倍标准差的样本截断或剔除在 BatchNorm 里加eps1e-5训练时加梯度裁剪max_norm1.0。如果还出现把学习率再降一个数量级。4.3 现象显存不够batch size 只能设到 8原因序列太长或d_model太大Transformer 的注意力矩阵是T×TT 是池化后的时间步如果池化不够T 还有 500注意力矩阵就是 500×500显存占用不小。解决在 CNN 前端多加一层池化把 T 压到 128 以内或者用torch.utils.checkpoint做梯度检查点用时间换显存再不行就减小d_model到 64。别硬扛毕设阶段跑通比堆参数重要。4.4 现象换了自己的数据后准确率比源码示例低很多原因不同数据集的采样率、通道数、类别难度差异很大源码示例可能是在一个很容易的数据集上调过参的。直接套用超参效果差是正常的。解决先确认你的数据和示例数据的采样率是否一致不一致要重采样再检查是否需要带通滤波常见 0.5 到 40Hz原始 EEG 不做滤波噪声很大最后重新调学习率和 dropout别指望一套参数打天下。4.5 现象论文里写的准确率很高但复现不出来原因随机种子没固定或者数据切分方式在论文里没写清楚同一被试样本泄漏导致虚高。解决在代码开头固定torch.manual_seed(42)、np.random.seed(42)数据切分按被试划分训练集和测试集被试不重叠报告结果时给出多次运行的均值和标准差而不是挑一次最高的写。5. 进阶技巧把准确率再往上推一推的验证方法跑通之后如果想把结果做得更扎实我一般会从三个方向入手。第一是数据增强EEG 常用的有加高斯噪声、时间平移、通道随机丢弃、幅度缩放这些在训练时在线做能明显缓解过拟合。第二是学习率调度用余弦退火或ReduceLROnPlateau验证 loss 不降时自动降学习率比固定学习率稳。第三是集成训练 3 到 5 个不同随机种子的模型推理时对 logits 取平均准确率通常能涨 1 到 3 个点代价是训练时间翻倍。验证方法上别只看准确率。EEG 分类里类别不平衡很常见要看混淆矩阵和每类的 F1。如果某一类 F1 特别低去听一下那类样本的信号很多时候是采集时被试动了或者电极松了数据本身有问题模型再调也没用。from sklearn.metrics import classification_report, confusion_matrix model.eval() all_preds, all_labels [], [] with torch.no_grad(): for xb, yb in val_loader: xb xb.to(device) preds model(xb).argmax(dim1).cpu().numpy() all_preds.extend(preds) all_labels.extend(yb.numpy()) print(confusion_matrix(all_labels, all_preds)) print(classification_report(all_labels, all_preds, digits4))逻辑说明model.eval()必须调用否则 dropout 和 BatchNorm 还在训练模式验证结果不可信。torch.no_grad()省显存。混淆矩阵看哪两类容易混分类报告看每类 F1比单一准确率有信息量得多。从那以后我每次拿到一份新源码都强制先跑一遍数据形状检查和 20 条过拟合测试确认管道通了再动超参。这个习惯帮我省了无数个白跑的夜晚。希望帮到你。本文还有配套的精品资源点击获取