EEGNet 网络代码解析与实战复现指南

最新推荐文章于 2026-08-17 08:36:42 发布

原创

最新推荐文章于 2026-08-17 08:36:42 发布 · 483 阅读

1. 从零开始：为什么你需要了解EEGNet？

如果你对脑机接口或者脑电信号处理感兴趣，那你大概率听说过EEGNet。我第一次接触这个网络是在一个运动想象分类的项目里，当时试了好几个模型，要么参数太多训练不动，要么效果平平。直到用了EEGNet，才发现原来一个轻量级的网络也能在脑电分类任务上取得相当不错的效果。这篇文章，我就想和你一起，把这个经典的网络掰开揉碎了讲清楚，并且手把手带你用PyTorch把它复现出来。

简单来说，EEGNet是2018年发表在《Journal of Neural Engineering》上的一篇论文提出的，全称是“EEGNet: A Compact Convolutional Neural Network for EEG-based Brain-Computer Interfaces”。它的核心目标就一个：用尽可能少的参数，高效地处理脑电信号这种多通道、长时序的特殊数据。脑电信号和图像、语音都不一样，它的空间维度（电极通道）和时间维度（采样点）有着不同的物理意义，EEGNet的设计就巧妙地考虑到了这一点。

那么，EEGNet适合谁呢？我觉得有三类朋友会特别需要它。第一类是刚入门脑机接口的研究生或工程师，想找一个效果好、易实现的基准模型。第二类是做移动端或嵌入式脑机接口应用的开发者，对模型的计算量和参数量有严格要求。第三类就是任何对深度可分离卷积这种“优雅”设计感兴趣的技术爱好者。EEGNet可以说是把深度可分离卷积用到了极致，理解它对你掌握现代轻量级网络设计思想大有裨益。接下来，我们就直接进入正题，看看这个网络到底是怎么搭建起来的。

2. 庖丁解牛：EEGNet网络结构逐层解析

光看论文里的结构图可能有点抽象，咱们直接结合代码，一层一层地看。我复现时参考的是PyTorch版本，这也是目前最主流的框架之一。整个EEGNet主要分为三个大的模块，我们称之为 block_1, block_2 和 block_3。别被“块”这个词吓到，其实每个块就是由几层基本的神经网络层顺序组合而成的。

2.1 第一块：时空特征初步提取

第一块 block_1 的任务，是对输入的原始脑电信号进行第一次“加工”。脑电输入通常是一个四维张量，形状是 (批次大小, 1, 通道数C, 时间点T)。这里的1是啥？你可以把它想象成图像的“颜色通道”，脑电信号是单通道的，所以就是1。

我们来看代码里的具体操作。首先是一个 nn.ZeroPad2d((31, 32, 0, 0))。这一步是做时间维度的填充。为什么是左边填31，右边填32？这其实是为了让后面卷积核大小为 (1, 64) 的卷积层，能够以“相同填充”的方式处理时间序列，确保时间维度长度 T 在卷积后不会改变。(0,0) 表示在空间维度（电极通道维度）不填充。

紧接着是一个普通的二维卷积 nn.Conv2d(1, 8, kernel_size=(1, 64), bias=False)。这个卷积核的设计非常有意思：它的高度是1，宽度是64。高度为1意味着这个卷积核只沿着空间维度（不同电极）进行加权求和，而不混合空间信息；宽度为64意味着它一次能看到64个时间点上的信号。所以，这层卷积的本质，是为每个电极独立地学习一个长度为64的时间滤波器。它输出8个通道，相当于学习了8种不同的时间滤波器。最后接上一个 BatchNorm2d(8) 做批标准化，加速训练并稳定学习过程。

我实测下来，这个设计非常符合脑电信号的先验知识。我们通常认为，不同大脑区域（对应不同电极）产生的信号在初期应该独立处理，这个 (1, 64) 的卷积核正好实现了这一点，先提取每个电极上局部时间模式的特征。

2.2 第二块：深度卷积与空间滤波

第二块 block_2 开始引入EEGNet的核心——深度可分离卷积。首先是一个深度卷积 nn.Conv2d(8, 16, kernel_size=(22, 1), groups=8, bias=False)。这里的关键参数是 groups=8。

什么是深度卷积？普通卷积是让每个卷积核同时查看所有输入通道。而深度卷积为每一个输入通道分配一个独立的卷积核，groups 参数等于输入通道数时，就是深度卷积。这里输入是8个通道，groups=8，意味着这8个通道被完全分开处理。卷积核大小是 (22, 1)，22通常等于脑电电极总数（如22导联），1意味着在时间维度上不进行混合。所以，这个层的物理意义非常明确：它学习的是如何将8个时间滤波器（来自block1）的结果，在空间维度（跨电极）上进行加权组合。它输出16个通道，可以理解为产生了16种不同的空间滤波器。

经过深度卷积后，数据的形状从 (8, C, T) 变成了 (16, 1, T)。空间维度（电极维度）被压缩成了1！这是因为 (22,1) 的卷积核在空间维度上进行了全局卷积，相当于对所有电极信息进行了融合。之后是常规的批归一化、ELU激活函数、平均池化（在时间维度上4倍下采样）和Dropout。池化减少了计算量，Dropout则防止过拟合，这是神经网络的标配了。