尧图网站建设 
简介这份资源是面向计算机相关专业学生与项目实战学习者的单通道脑电信号自动睡眠分期研究完整方案源自经导师指导并通过评审的高分毕业设计可解决睡眠分期课题中数据预处理、模型搭建与结果验证等核心问题也适合作为课程设计或期末大作业参考。压缩包共22个文件约10.85MB以12个Python脚本为主体覆盖数据下载、预处理、数据集构建、训练与预测全流程另含2个pt模型权重、3个txt说明、1个sh运行脚本、1个docx手册及html、png等辅助文件目录按data、models、web等模块划分结构清晰。目前已有122人学习下载。读者可据此获得可运行的完整代码、已训练模型、睡眠EDF数据集处理脚本与项目说明文档快速复现单通道脑电自动睡眠分期实验并理解从信号到分期结果的实现路径。1. 单通道脑电睡眠分期一份能跑通的毕业设计资源到底长什么样睡眠分期这件事真正上手做过的人都知道难点从来不是模型结构有多花哨而是数据怎么对齐、标签怎么切、单通道信号信噪比低到让人怀疑人生。这份基于 Python 的单通道脑电信号自动睡眠分期研究资源包含源码、训练好的模型、数据集脚本和一份手册文档正好卡在「大四毕业设计能落地」这个位置上。它解决的核心问题是只拿一路 EEG 信号把整晚睡眠切成 W、N1、N2、N3、REM 五个阶段。适合正在做计算机相关毕设、课程设计或期末大作业的人也适合想拿一个完整信号处理 深度学习 pipeline 练手的学习者。下面我按自己拆包复现的顺序把这份资源从结构到跑通再到避坑讲清楚。2. 拆开压缩包先看什么目录结构与模块职责2.1 顶层文件清单与各自定位拿到基于python单通道脑电信号的自动睡眠分期研究源码模型数据集项目说明.zip别急着python train.py。先花十分钟把目录过一遍能省掉后面两小时的报错排查。这份资源的顶层结构大致是这样路径类型作用data/eeg_signal.txt数据单通道 EEG 原始信号样本network.py源码模型定义含 GRU 结构dataset.py源码数据加载与样本切分preprocessing.py源码滤波、归一化等预处理prepare_data.py源码把原始信号整理成训练格式train.py源码训练入口test.py源码测试/评估入口predict.py源码单条推理入口focal_loss.py源码类别不平衡损失函数download_sleepedf.py脚本数据集下载辅助models/model_GRU.pt模型已训练权重web/服务server.pytemplates可视化run.sh脚本一键运行requirements.txt依赖Python 包清单手册.docx文档项目说明这个结构是典型的「预处理 → 数据集 → 模型 → 训练 → 推理 → Web 展示」六段式。network.py和predict.py在根目录和web/下各出现一次说明 Web 端有独立的推理副本改模型时两边都要同步否则会出现「命令行跑得通、网页结果不对」的玄学问题。2.2 环境依赖与版本对齐requirements.txt是第一个要看的文件。脑电项目最常见的翻车就是 PyTorch 版本和 CUDA 对不上或者 numpy 版本过高导致老代码里的np.float直接报错。我一般会先建独立虚拟环境再按清单装# 建虚拟环境避免污染全局 python -m venv venv_sleep # Linux/Mac 激活 source venv_sleep/bin/activate # Windows 激活 # venv_sleep\Scripts\activate # 按清单安装依赖 pip install -r requirements.txt # 验证 torch 是否可用 python -c import torch; print(torch.__version__, torch.cuda.is_available())逻辑说明虚拟环境隔离是为了防止你本机已有的 torch 版本和项目冲突。torch.cuda.is_available()返回False不代表跑不了CPU 也能训只是慢。参数上如果清单里没锁版本建议手动把numpy钉在1.23.x附近torch用1.13或2.x的 CPU 版先跑通再考虑上 GPU。这一步别偷懒我见过太多人跳过验证直接训练结果卡在ImportError上耗一下午。3. 数据从哪来、怎么切预处理与数据集构建3.1 单通道 EEG 的预处理链路单通道意味着你只有一路信号没有多通道做空间滤波的余地所以时间域的预处理格外关键。preprocessing.py里通常做三件事带通滤波去噪、按 30 秒一帧切分这是睡眠分期的标准帧长、再做归一化。常见做法是用 0.5–30 Hz 的带通因为睡眠相关的慢波和纺锤波主要落在这个频段。import numpy as np from scipy.signal import butter, filtfilt def bandpass_filter(signal, fs100, low0.5, high30, order4): # 设计巴特沃斯带通滤波器 nyq 0.5 * fs b, a butter(order, [low / nyq, high / nyq], btypeband) # filtfilt 零相位滤波避免波形时移 return filtfilt(b, a, signal) def normalize(signal): # 逐帧 z-score 归一化消除个体幅值差异 return (signal - np.mean(signal)) / (np.std(signal) 1e-8)逻辑说明filtfilt做的是前向反向两次滤波相位不失真这对后续按时间对齐标签很重要。参数fs是采样率必须和你数据实际采样率一致eeg_signal.txt如果是 100 Hz 就填 100填错会导致滤波频段整体偏移模型学到的全是错的。normalize里加1e-8是防止整帧标准差为 0 时除零。这一步的输出才是能喂给dataset.py的干净信号。3.2 按 30 秒帧切分与标签对齐睡眠分期的黄金标准是每 30 秒一个 epoch对应一个阶段标签。dataset.py的核心工作就是把连续信号切成 30 秒片段并和标签一一对应。这里最容易出的问题是信号长度和标签数量对不上——比如信号末尾多出半帧或者标签文件少了一行。import numpy as np def make_epochs(signal, labels, fs100, epoch_sec30): epoch_len fs * epoch_sec # 每帧采样点数 n_epochs len(signal) // epoch_len # 向下取整丢弃尾部不足帧 X, y [], [] for i in range(n_epochs): seg signal[i * epoch_len:(i 1) * epoch_len] X.append(seg) y.append(labels[i]) return np.array(X), np.array(y)逻辑说明n_epochs用整除主动丢弃尾部不足一帧的数据这是标准做法别硬凑。epoch_sec30是睡眠分期的行业惯例改成别的值你的标签就对不上了。labels的顺序必须和信号时间轴严格一致如果标签是字符串如W、N1还要在dataset.py里做一层映射到 0–4 的整数。我一般会先打印len(signal)/fs/30和len(labels)对比两个数差超过 1 就要查数据源。3.3 类别不平衡与 focal loss 的介入睡眠分期天然不平衡N2 阶段能占一半以上N1 往往不到 5%。直接训练模型会倾向于全预测 N2准确率看着高但 N1 和 REM 全废。这份资源带了focal_loss.py就是冲着这个问题来的。Focal Loss 通过调制因子降低易分类样本的权重让模型聚焦难分的少数类。import torch import torch.nn as nn import torch.nn.functional as F class FocalLoss(nn.Module): def __init__(self, alpha1.0, gamma2.0): super().__init__() self.alpha alpha self.gamma gamma def forward(self, logits, targets): # 计算交叉熵reductionnone 保留每个样本的损失 ce F.cross_entropy(logits, targets, reductionnone) pt torch.exp(-ce) # 预测正确的概率 # 调制因子 (1-pt)^gammagamma 越大越聚焦难样本 loss self.alpha * (1 - pt) ** self.gamma * ce return loss.mean()逻辑说明gamma2.0是原论文的推荐值越大对难样本越关注但太大会导致训练不稳。alpha用于进一步平衡类别如果 N1 极少可以调大。用这个损失替换train.py里的默认CrossEntropyLoss即可接口一致。注意换损失后学习率可能要调小一点因为 focal loss 的梯度尺度不同这是血泪经验。4. 模型结构与训练GRU 怎么搭、参数怎么设4.1 network.py 里的 GRU 结构解析单通道 EEG 是典型的时间序列用 GRU 或 LSTM 是合理选择。network.py里定义了一个基于 GRU 的分类网络输入是 30 秒 × 采样率的序列输出 5 类。GRU 比 LSTM 参数少、训练快对毕设这种算力有限的场景更友好。import torch import torch.nn as nn class SleepGRU(nn.Module): def __init__(self, input_size1, hidden_size64, num_layers2, num_classes5): super().__init__() # batch_firstTrue 让输入维度为 (batch, seq, feature) self.gru nn.GRU(input_size, hidden_size, num_layers, batch_firstTrue, bidirectionalTrue) # 双向 GRU 输出维度翻倍 self.fc nn.Linear(hidden_size * 2, num_classes) def forward(self, x): # x: (batch, seq_len, 1) out, _ self.gru(x) # 取最后一个时间步的输出做分类 out out[:, -1, :] return self.fc(out)逻辑说明hidden_size64、num_layers2是中小规模数据的稳妥配置数据量大可以加到 128。bidirectionalTrue让模型同时看前后文对睡眠分期这种上下文相关的任务有帮助但推理时会引入轻微延迟实时场景要权衡。out[:, -1, :]取最后时间步也可以改成对时间维做平均池化后者对噪声更鲁棒我一般会两种都试。4.2 训练脚本的关键参数train.py是主入口几个参数直接决定能不能收敛学习率、batch size、epoch 数、优化器。毕设数据量通常不大batch size 设 32 或 64学习率 1e-3 起步配合 Adam 优化器。# 典型训练命令 python train.py \ --data_path data/eeg_signal.txt \ --epochs 50 \ --batch_size 32 \ --lr 0.001 \ --model_save models/model_GRU.pt逻辑说明--epochs 50对 GRU 这种小模型通常够用但要看验证集损失是否还在降。--lr 0.001是 Adam 的常用起点如果损失震荡就降到 5e-4。--model_save指定权重保存路径训练完会覆盖models/model_GRU.pt建议先备份原始权重再训否则跑崩了连预训练模型都没了。如果脚本没有这些命令行参数就去train.py里找硬编码的变量手动改。4.3 用预训练模型直接推理不想重训的话predict.py可以直接加载model_GRU.pt做推理。这是验证资源是否完整的最快方式——如果预训练权重能跑出合理结果说明整条链路是通的。import torch from network import SleepGRU from preprocessing import bandpass_filter, normalize # 加载模型结构并注入权重 model SleepGRU() model.load_state_dict(torch.load(models/model_GRU.pt, map_locationcpu)) model.eval() # 读一段信号预处理后推理 signal ... # 从 eeg_signal.txt 读取 signal normalize(bandpass_filter(signal)) x torch.tensor(signal, dtypetorch.float32).view(1, -1, 1) with torch.no_grad(): logits model(x) pred torch.argmax(logits, dim1) print(预测阶段:, pred.item())逻辑说明map_locationcpu保证没有 GPU 也能加载。model.eval()关闭 dropout 和 batchnorm 的训练行为推理必须加。输入要 reshape 成(batch, seq, feature)三维这是 GRU 的要求。如果报维度错误八成是view的形状和network.py里batch_first的设置不匹配。5. 避坑与排查那些让我重跑三次的问题5.1 现象训练损失不降反升原因学习率过大或者 focal loss 的 gamma 设太高导致梯度爆炸。解决先把学习率降到 1e-4gamma 从 2.0 降到 1.0观察前 5 个 epoch 的损失曲线。如果还是震荡检查输入是否做了归一化——没归一化的 EEG 幅值差异极大模型根本学不动。5.2 现象准确率虚高但 N1 全错原因类别不平衡模型退化成只预测多数类。解决确认train.py里用的是focal_loss.py而不是默认交叉熵同时看混淆矩阵别只看总体准确率。如果 N1 样本实在太少可以在dataset.py里做重采样或加类别权重。5.3 现象Web 端结果和命令行不一致原因web/network.py和根目录network.py是两份副本改了模型只同步了一边。解决统一成一份让web/server.py从根目录导入或者改完两边都检查。这个坑很隐蔽因为两边代码看起来一样但权重加载路径可能不同。5.4 现象download_sleepedf.py 跑不动原因数据集下载依赖外部网络和路径配置脚本里的 URL 或保存目录可能和你的环境不匹配。解决先看脚本头部的路径变量手动改成你本地的绝对路径如果下载失败就用手册里说明的数据格式自己准备数据eeg_signal.txt就是格式参考。5.5 现象run.sh 权限不足或换行符报错原因Windows 下编辑过的 shell 脚本带 CRLF 换行符Linux 执行时报bad interpreter。解决用dos2unix run.sh转换或者sed -i s/\r$// run.sh。再chmod x run.sh给执行权限。这类问题不影响代码逻辑但能让新手卡半天。6. 进阶技巧把单通道模型用到自己的数据上资源跑通只是起点真正有价值的是把它迁移到你自己采集或下载的 EEG 数据上。核心改动集中在三处采样率对齐、标签映射、帧长适配。我一般会写一个适配脚本把新数据统一成资源要求的格式再走一遍预处理和推理。适配项资源默认你的数据可能不同处理方式采样率100 Hz256 Hz / 512 Hz重采样到 100 Hz 或改fs参数帧长30 秒20 秒 / 60 秒改epoch_sec重切数据标签体系5 类AASM 7 类合并 N3/N4映射到 0–4通道数单通道多通道取一路或改input_sizefrom scipy.signal import resample def adapt_sampling(signal, orig_fs, target_fs100): # 按比例重采样到目标采样率 n_samples int(len(signal) * target_fs / orig_fs) return resample(signal, n_samples) # 标签映射把 7 类 AASM 合并成 5 类 label_map {W: 0, N1: 1, N2: 2, N3: 3, N4: 3, REM: 4}逻辑说明resample做的是频域重采样比简单抽稀更保真。label_map把 N3 和 N4 合并成同一类这是很多公开数据集的做法因为 N4 已经很少单独标注。改完这些重新跑一遍prepare_data.py和predict.py看输出分布是否合理。如果某一类完全不出回去查标签映射有没有漏。验证模型是否真的学到了东西别只看准确率。我习惯画混淆矩阵和每个类别的 F1尤其是 N1 和 REM 这两个难类。如果 N1 的 F1 低于 0.3说明模型基本没学会要么数据不够要么损失函数没起作用。从那以后我每次拿到新的 EEG 数据都强制先跑一遍预处理可视化确认滤波后的波形没有畸变、归一化后的幅值在合理范围再进模型。希望这份拆解能帮你少走几个我踩过的坑顺利把毕设跑通。本文还有配套的精品资源点击获取 基于Python单通道脑电信号自动睡眠分期：毕业设计源码、模型与数据集实战
简介这份资源是面向计算机相关专业学生与项目实战学习者的单通道脑电信号自动睡眠分期研究完整方案源自经导师指导并通过评审的高分毕业设计可解决睡眠分期课题中数据预处理、模型搭建与结果验证等核心问题也适合作为课程设计或期末大作业参考。压缩包共22个文件约10.85MB以12个Python脚本为主体覆盖数据下载、预处理、数据集构建、训练与预测全流程另含2个pt模型权重、3个txt说明、1个sh运行脚本、1个docx手册及html、png等辅助文件目录按data、models、web等模块划分结构清晰。目前已有122人学习下载。读者可据此获得可运行的完整代码、已训练模型、睡眠EDF数据集处理脚本与项目说明文档快速复现单通道脑电自动睡眠分期实验并理解从信号到分期结果的实现路径。1. 单通道脑电睡眠分期一份能跑通的毕业设计资源到底长什么样睡眠分期这件事真正上手做过的人都知道难点从来不是模型结构有多花哨而是数据怎么对齐、标签怎么切、单通道信号信噪比低到让人怀疑人生。这份基于 Python 的单通道脑电信号自动睡眠分期研究资源包含源码、训练好的模型、数据集脚本和一份手册文档正好卡在「大四毕业设计能落地」这个位置上。它解决的核心问题是只拿一路 EEG 信号把整晚睡眠切成 W、N1、N2、N3、REM 五个阶段。适合正在做计算机相关毕设、课程设计或期末大作业的人也适合想拿一个完整信号处理 深度学习 pipeline 练手的学习者。下面我按自己拆包复现的顺序把这份资源从结构到跑通再到避坑讲清楚。2. 拆开压缩包先看什么目录结构与模块职责2.1 顶层文件清单与各自定位拿到基于python单通道脑电信号的自动睡眠分期研究源码模型数据集项目说明.zip别急着python train.py。先花十分钟把目录过一遍能省掉后面两小时的报错排查。这份资源的顶层结构大致是这样路径类型作用data/eeg_signal.txt数据单通道 EEG 原始信号样本network.py源码模型定义含 GRU 结构dataset.py源码数据加载与样本切分preprocessing.py源码滤波、归一化等预处理prepare_data.py源码把原始信号整理成训练格式train.py源码训练入口test.py源码测试/评估入口predict.py源码单条推理入口focal_loss.py源码类别不平衡损失函数download_sleepedf.py脚本数据集下载辅助models/model_GRU.pt模型已训练权重web/服务server.pytemplates可视化run.sh脚本一键运行requirements.txt依赖Python 包清单手册.docx文档项目说明这个结构是典型的「预处理 → 数据集 → 模型 → 训练 → 推理 → Web 展示」六段式。network.py和predict.py在根目录和web/下各出现一次说明 Web 端有独立的推理副本改模型时两边都要同步否则会出现「命令行跑得通、网页结果不对」的玄学问题。2.2 环境依赖与版本对齐requirements.txt是第一个要看的文件。脑电项目最常见的翻车就是 PyTorch 版本和 CUDA 对不上或者 numpy 版本过高导致老代码里的np.float直接报错。我一般会先建独立虚拟环境再按清单装# 建虚拟环境避免污染全局 python -m venv venv_sleep # Linux/Mac 激活 source venv_sleep/bin/activate # Windows 激活 # venv_sleep\Scripts\activate # 按清单安装依赖 pip install -r requirements.txt # 验证 torch 是否可用 python -c import torch; print(torch.__version__, torch.cuda.is_available())逻辑说明虚拟环境隔离是为了防止你本机已有的 torch 版本和项目冲突。torch.cuda.is_available()返回False不代表跑不了CPU 也能训只是慢。参数上如果清单里没锁版本建议手动把numpy钉在1.23.x附近torch用1.13或2.x的 CPU 版先跑通再考虑上 GPU。这一步别偷懒我见过太多人跳过验证直接训练结果卡在ImportError上耗一下午。3. 数据从哪来、怎么切预处理与数据集构建3.1 单通道 EEG 的预处理链路单通道意味着你只有一路信号没有多通道做空间滤波的余地所以时间域的预处理格外关键。preprocessing.py里通常做三件事带通滤波去噪、按 30 秒一帧切分这是睡眠分期的标准帧长、再做归一化。常见做法是用 0.5–30 Hz 的带通因为睡眠相关的慢波和纺锤波主要落在这个频段。import numpy as np from scipy.signal import butter, filtfilt def bandpass_filter(signal, fs100, low0.5, high30, order4): # 设计巴特沃斯带通滤波器 nyq 0.5 * fs b, a butter(order, [low / nyq, high / nyq], btypeband) # filtfilt 零相位滤波避免波形时移 return filtfilt(b, a, signal) def normalize(signal): # 逐帧 z-score 归一化消除个体幅值差异 return (signal - np.mean(signal)) / (np.std(signal) 1e-8)逻辑说明filtfilt做的是前向反向两次滤波相位不失真这对后续按时间对齐标签很重要。参数fs是采样率必须和你数据实际采样率一致eeg_signal.txt如果是 100 Hz 就填 100填错会导致滤波频段整体偏移模型学到的全是错的。normalize里加1e-8是防止整帧标准差为 0 时除零。这一步的输出才是能喂给dataset.py的干净信号。3.2 按 30 秒帧切分与标签对齐睡眠分期的黄金标准是每 30 秒一个 epoch对应一个阶段标签。dataset.py的核心工作就是把连续信号切成 30 秒片段并和标签一一对应。这里最容易出的问题是信号长度和标签数量对不上——比如信号末尾多出半帧或者标签文件少了一行。import numpy as np def make_epochs(signal, labels, fs100, epoch_sec30): epoch_len fs * epoch_sec # 每帧采样点数 n_epochs len(signal) // epoch_len # 向下取整丢弃尾部不足帧 X, y [], [] for i in range(n_epochs): seg signal[i * epoch_len:(i 1) * epoch_len] X.append(seg) y.append(labels[i]) return np.array(X), np.array(y)逻辑说明n_epochs用整除主动丢弃尾部不足一帧的数据这是标准做法别硬凑。epoch_sec30是睡眠分期的行业惯例改成别的值你的标签就对不上了。labels的顺序必须和信号时间轴严格一致如果标签是字符串如W、N1还要在dataset.py里做一层映射到 0–4 的整数。我一般会先打印len(signal)/fs/30和len(labels)对比两个数差超过 1 就要查数据源。3.3 类别不平衡与 focal loss 的介入睡眠分期天然不平衡N2 阶段能占一半以上N1 往往不到 5%。直接训练模型会倾向于全预测 N2准确率看着高但 N1 和 REM 全废。这份资源带了focal_loss.py就是冲着这个问题来的。Focal Loss 通过调制因子降低易分类样本的权重让模型聚焦难分的少数类。import torch import torch.nn as nn import torch.nn.functional as F class FocalLoss(nn.Module): def __init__(self, alpha1.0, gamma2.0): super().__init__() self.alpha alpha self.gamma gamma def forward(self, logits, targets): # 计算交叉熵reductionnone 保留每个样本的损失 ce F.cross_entropy(logits, targets, reductionnone) pt torch.exp(-ce) # 预测正确的概率 # 调制因子 (1-pt)^gammagamma 越大越聚焦难样本 loss self.alpha * (1 - pt) ** self.gamma * ce return loss.mean()逻辑说明gamma2.0是原论文的推荐值越大对难样本越关注但太大会导致训练不稳。alpha用于进一步平衡类别如果 N1 极少可以调大。用这个损失替换train.py里的默认CrossEntropyLoss即可接口一致。注意换损失后学习率可能要调小一点因为 focal loss 的梯度尺度不同这是血泪经验。4. 模型结构与训练GRU 怎么搭、参数怎么设4.1 network.py 里的 GRU 结构解析单通道 EEG 是典型的时间序列用 GRU 或 LSTM 是合理选择。network.py里定义了一个基于 GRU 的分类网络输入是 30 秒 × 采样率的序列输出 5 类。GRU 比 LSTM 参数少、训练快对毕设这种算力有限的场景更友好。import torch import torch.nn as nn class SleepGRU(nn.Module): def __init__(self, input_size1, hidden_size64, num_layers2, num_classes5): super().__init__() # batch_firstTrue 让输入维度为 (batch, seq, feature) self.gru nn.GRU(input_size, hidden_size, num_layers, batch_firstTrue, bidirectionalTrue) # 双向 GRU 输出维度翻倍 self.fc nn.Linear(hidden_size * 2, num_classes) def forward(self, x): # x: (batch, seq_len, 1) out, _ self.gru(x) # 取最后一个时间步的输出做分类 out out[:, -1, :] return self.fc(out)逻辑说明hidden_size64、num_layers2是中小规模数据的稳妥配置数据量大可以加到 128。bidirectionalTrue让模型同时看前后文对睡眠分期这种上下文相关的任务有帮助但推理时会引入轻微延迟实时场景要权衡。out[:, -1, :]取最后时间步也可以改成对时间维做平均池化后者对噪声更鲁棒我一般会两种都试。4.2 训练脚本的关键参数train.py是主入口几个参数直接决定能不能收敛学习率、batch size、epoch 数、优化器。毕设数据量通常不大batch size 设 32 或 64学习率 1e-3 起步配合 Adam 优化器。# 典型训练命令 python train.py \ --data_path data/eeg_signal.txt \ --epochs 50 \ --batch_size 32 \ --lr 0.001 \ --model_save models/model_GRU.pt逻辑说明--epochs 50对 GRU 这种小模型通常够用但要看验证集损失是否还在降。--lr 0.001是 Adam 的常用起点如果损失震荡就降到 5e-4。--model_save指定权重保存路径训练完会覆盖models/model_GRU.pt建议先备份原始权重再训否则跑崩了连预训练模型都没了。如果脚本没有这些命令行参数就去train.py里找硬编码的变量手动改。4.3 用预训练模型直接推理不想重训的话predict.py可以直接加载model_GRU.pt做推理。这是验证资源是否完整的最快方式——如果预训练权重能跑出合理结果说明整条链路是通的。import torch from network import SleepGRU from preprocessing import bandpass_filter, normalize # 加载模型结构并注入权重 model SleepGRU() model.load_state_dict(torch.load(models/model_GRU.pt, map_locationcpu)) model.eval() # 读一段信号预处理后推理 signal ... # 从 eeg_signal.txt 读取 signal normalize(bandpass_filter(signal)) x torch.tensor(signal, dtypetorch.float32).view(1, -1, 1) with torch.no_grad(): logits model(x) pred torch.argmax(logits, dim1) print(预测阶段:, pred.item())逻辑说明map_locationcpu保证没有 GPU 也能加载。model.eval()关闭 dropout 和 batchnorm 的训练行为推理必须加。输入要 reshape 成(batch, seq, feature)三维这是 GRU 的要求。如果报维度错误八成是view的形状和network.py里batch_first的设置不匹配。5. 避坑与排查那些让我重跑三次的问题5.1 现象训练损失不降反升原因学习率过大或者 focal loss 的 gamma 设太高导致梯度爆炸。解决先把学习率降到 1e-4gamma 从 2.0 降到 1.0观察前 5 个 epoch 的损失曲线。如果还是震荡检查输入是否做了归一化——没归一化的 EEG 幅值差异极大模型根本学不动。5.2 现象准确率虚高但 N1 全错原因类别不平衡模型退化成只预测多数类。解决确认train.py里用的是focal_loss.py而不是默认交叉熵同时看混淆矩阵别只看总体准确率。如果 N1 样本实在太少可以在dataset.py里做重采样或加类别权重。5.3 现象Web 端结果和命令行不一致原因web/network.py和根目录network.py是两份副本改了模型只同步了一边。解决统一成一份让web/server.py从根目录导入或者改完两边都检查。这个坑很隐蔽因为两边代码看起来一样但权重加载路径可能不同。5.4 现象download_sleepedf.py 跑不动原因数据集下载依赖外部网络和路径配置脚本里的 URL 或保存目录可能和你的环境不匹配。解决先看脚本头部的路径变量手动改成你本地的绝对路径如果下载失败就用手册里说明的数据格式自己准备数据eeg_signal.txt就是格式参考。5.5 现象run.sh 权限不足或换行符报错原因Windows 下编辑过的 shell 脚本带 CRLF 换行符Linux 执行时报bad interpreter。解决用dos2unix run.sh转换或者sed -i s/\r$// run.sh。再chmod x run.sh给执行权限。这类问题不影响代码逻辑但能让新手卡半天。6. 进阶技巧把单通道模型用到自己的数据上资源跑通只是起点真正有价值的是把它迁移到你自己采集或下载的 EEG 数据上。核心改动集中在三处采样率对齐、标签映射、帧长适配。我一般会写一个适配脚本把新数据统一成资源要求的格式再走一遍预处理和推理。适配项资源默认你的数据可能不同处理方式采样率100 Hz256 Hz / 512 Hz重采样到 100 Hz 或改fs参数帧长30 秒20 秒 / 60 秒改epoch_sec重切数据标签体系5 类AASM 7 类合并 N3/N4映射到 0–4通道数单通道多通道取一路或改input_sizefrom scipy.signal import resample def adapt_sampling(signal, orig_fs, target_fs100): # 按比例重采样到目标采样率 n_samples int(len(signal) * target_fs / orig_fs) return resample(signal, n_samples) # 标签映射把 7 类 AASM 合并成 5 类 label_map {W: 0, N1: 1, N2: 2, N3: 3, N4: 3, REM: 4}逻辑说明resample做的是频域重采样比简单抽稀更保真。label_map把 N3 和 N4 合并成同一类这是很多公开数据集的做法因为 N4 已经很少单独标注。改完这些重新跑一遍prepare_data.py和predict.py看输出分布是否合理。如果某一类完全不出回去查标签映射有没有漏。验证模型是否真的学到了东西别只看准确率。我习惯画混淆矩阵和每个类别的 F1尤其是 N1 和 REM 这两个难类。如果 N1 的 F1 低于 0.3说明模型基本没学会要么数据不够要么损失函数没起作用。从那以后我每次拿到新的 EEG 数据都强制先跑一遍预处理可视化确认滤波后的波形没有畸变、归一化后的幅值在合理范围再进模型。希望这份拆解能帮你少走几个我踩过的坑顺利把毕设跑通。本文还有配套的精品资源点击获取