脑机接口信号生成与分类：多模态CNN在EEG处理中的应用

项目来源：原作者/维护者mcamila1201，GitHub项目modelo-generativo-bci（链接：https://github.com/mcamila1201/modelo-generativo-bci，发布时间2026-05-27）。核心目标：解决BCI系统中信号生成、特征提取和分类识别问题，构建完整数据处理流水线。关键方法：结合STFT和CWT时频分析提取特征，采用双分支多模态CNN架构实现EEG信号分类与评估。

脑机接口（BCI）建立人脑与外部设备直接通信通道，基于脑电图（EEG）的非侵入式BCI因安全性和易用性广泛应用。但EEG信号存在非平稳性、低信噪比、高维度特点，传统方法难以有效提取模式信息。

信号生成与预处理：合成含α波（8-13Hz）、β波（13-30Hz）等典型脑电节律的EEG信号，可验证算法或扩充数据集。 时频特征提取：采用STFT（滑动窗口傅里叶变换，高效适合实时）和CWT（可缩放小波基，多分辨率适合瞬态信号），提取后归一化消除差异。 多模态CNN架构：双分支并行处理STFT/CWT特征图，特征融合层拼接/加权融合，分类头通过全连接层输出类别概率。

实现完整训练流水线（数据加载、模型初始化、损失计算、优化器配置）。评估阶段输出准确率、精确率、召回率、F1分数等指标，全面评估模型分类能力。

技术意义：信号生成缓解BCI数据稀缺问题，混合训练提升泛化；STFT+CWT联合使用捕捉稳态与瞬态神经模式；时频表示可视化增强模型可解释性。 应用前景：在医疗康复、人机交互等领域有重要作用。

潜在改进方向：引入注意力机制关注重要时间片段；探索GAN/扩散模型合成更逼真EEG信号；扩展到多通道EEG处理支持复杂交互场景。