1 创新实践相关

工具

MNE 和 EEGLAB 都是用于脑电图（EEG）和其他神经电生理数据处理的工具，但它们在实现方式和使用场景上有所不同：

MNE

• 性质：是一个基于 Python 的开源库，专注于神经电生理数据（包括 EEG、MEG、ECoG 等）的处理、分析和可视化。
• 特点：
  • 提供了完整的数据处理流程，从原始数据读取、预处理（滤波、去噪、伪迹去除等）到高级分析（源定位、时频分析、连接性分析等）。
  • 与 Python 生态系统（如 NumPy、SciPy、Matplotlib、Scikit-learn 等）深度集成，便于进行复杂的数据分析和机器学习任务。
  • 支持多种数据格式，包括 EEGLAB 的.set 格式、EDF、BrainVision 等常见神经电生理数据格式。
  • 文档丰富，包含大量教程和示例，适合科研人员和开发者进行定制化分析。

EEGLAB

• 性质：是一个基于 MATLAB 的开源工具箱，是 EEG 数据处理领域广泛使用的工具之一。
• 特点：
  • 提供了图形用户界面（GUI），操作相对直观，适合初学者快速上手进行数据处理。
  • 核心功能包括数据导入导出、预处理、独立成分分析（ICA，用于去除眼动、肌电等伪迹）、时频分析、脑电地形图绘制等。
  • 支持通过插件扩展功能，社区贡献了大量针对特定分析需求的插件。
  • 数据格式以.set（主文件）和.fdt（数据文件）为主，许多其他工具也支持读写这种格式。

两者对比

• 编程环境：MNE 基于 Python，EEGLAB 基于 MATLAB（不过也有第三方的 Python 接口如mne.io.read_raw_eeglab可读写其数据）。
• 使用方式：EEGLAB 的 GUI 更适合快速操作和可视化；MNE 基于代码的方式更适合自动化处理、批量分析和复杂定制。
• 功能侧重：两者核心功能重叠较多，但 MNE 在源定位等高级分析方面更具优势，且能更好地与现代数据科学工具链结合；EEGLAB 在 ICA 处理和社区插件丰富度上有一定优势。

选择哪款工具通常取决于使用者的编程背景（熟悉 Python 还是 MATLAB）、具体分析需求以及团队的使用习惯。

课题方向

已有脑机安全、脑机康复（言语认知，失语症应用）、脑机安全智能、脑机协同等几个模块的方向，感兴趣的方向开发类与脑机无关的也可以。

• 脑机安全：脑机安全是脑机接口技术发展的关键问题。脑机接口系统采集的大脑数据包含用户的认知状态、情绪特征等敏感信息，存在隐私泄露风险。此外，脑机接口设备和系统可能存在硬件、软件、通信等安全漏洞，易被黑客利用，导致数据泄露、设备控制等安全事件。同时，该技术还可能被用于非法目的，如读取他人思想、控制他人行为等。为保障脑机安全，需要采取数据加密、访问控制、安全认证等技术措施，还需建立健全伦理规范和法律法规。
• 脑机康复（言语认知，失语症应用）：脑机接口在医疗康复领域有广阔应用前景，其中言语认知康复是重要方向之一。对于失语症患者，脑机接口技术可以通过捕捉大脑产生的脑电信号，将其转化为机器可理解的指令，从而实现辅助患者沟通和恢复语言能力的目的。例如，在 2025 中国国际福祉博览会上，就展示了渐冻症失语患者通过无线植入式脑机接口 “开口” 说话的成果，随着技术的发展，脑机接口有望成为康复医疗领域的重要工具。
• 脑机安全智能：脑机安全智能是将脑机接口技术与人工智能、安全技术相结合，以提高脑机接口系统的安全性和智能性。一方面，利用人工智能算法对脑电信号进行分析和处理，实现对异常信号的实时监测和预警，如通过三层检测网络（信号层、模式层、语义层）对脑电信号进行分析，及时发现恶意指令注入等安全威胁。另一方面，通过智能加密、认证等技术手段，保障脑机接口系统的数据安全和隐私，如采用脑纹识别技术、多模态认证方案以及量子密钥分发等技术，防止数据被非法获取和篡改。
• 脑机协同：脑机协同也称为脑机融合，是指将大脑与计算机或其他外部设备进行直接的交互和融合。其核心思想是通过技术手段获取大脑的神经信号，并将其转化为计算机可理解的指令或信息，同时也能够将计算机生成的信号反馈给大脑，实现大脑与外部设备之间的双向通信和协同工作。脑机协同的应用领域非常广泛，包括医疗康复、增强人类的认知和感知能力、改善人机交互体验等。

2 课表课程安排

【不签到的不用去了，尤其是教室里没有插座的课......有插座的能自己摸鱼的...看老师(?】

关于课表上的课：

上课要签到，老师会抓签到的去，坐后排带电脑有插座自己学，看网课，作业平时可以抄不用全都自己写。专业课花点心思按照ppt学。水但是抓签到的看看代签，或者纯自习课了。

专业课功底预备（上课提到的）：

c，python，Verilog，Xilinx

针对性建议：

算法不能只刷java写的了，然后数据结构这种专业强相关的基础要求，好好学，每天保持算法手感，要加强基础算法的训练。但实际开发的应用场景java有关框架还是不能丢。

按照重要程度排序：

1 leetcode算法要强化用c写，课程要求

2 面向实际场景的综合能力开发，扩展技术栈，这块内容需要大量自学（参见csdiy）

3 java进阶，有关框架拓展，springboot

4 python脚本语言，课程要求会用的实际模型训练(要求会用其实不是很难，只是会用) 

3 其他

外语，积累，保持打卡。

提高身体机能，健身一周3练，饮食控制糖、油，日常化减脂，偶尔可以放纵，要求不需要很严格，日常化健康的生活习惯。（可是我感觉我越想克制不要吃高热量美食，就越容易克制不住。所以我还是只是保持运动习惯就好了，顺其自然，健康最大。）

爱好，人总是需要输出型爱好，打好舞蹈基本功，不能懈怠。摄影，美妆，没事多出门或者多动手。

建设二次元（，多多参加线下漫展，和亲友多多无偿（嗯美好的为爱发电的世界，只交友不混圈，补番......

---------------

哈哈哈看起来只有最后一条能做到。。。

总之，闲下来的时候充分做轻松但有意义的事情，而不是陷入因为休息也焦虑的恶性循环。

4 大致自学方向（对应建议第2条，灵活调整）

自学但是所有的基础都要是算法过关，八股相关还是多看面经，要积累。

前端仔学习路线：三件套，react，前端项目实战。

别的没什么具体了解，暂且放一放，现在大二还是可以有很多尝试方向的。

感兴趣的课程（目前）：

MITweb2024，CS 61B 

开源项目社区，放一个在这里，还没具体了解，需要沉淀技术栈。

关注技术强应用的赛事，学会在cs有关的社区里学习，对接市场需求和关注技术前沿更新风口。

5 专业课课程学习

需要扎实学，本人完全不是期末周速成选手，以下课程与专业技术相关强，平时扎扎实实看网课：

概率论、数字电路设计、数据结构。

专业选修模块的ai有关，深度学习，机器学习涉及我认为可以学，可以了解，但是并不适本科生做科研可用的，还是研究生做科研的更多，并且ai学历要求是硕士的更多。

6 职业规划

大二沉淀技术栈，积累项目开发经验，大三尝试秋招，如果觉得离期望求职的水平相差很远，那么放弃本科就业准备考研，如果找到合适工作就工作。

灵活变动，按照实际学习情况慢慢规划。

不过所有的核心就是技术能力要过硬，对复试什么的也要有要求。

7 以上计划优化

一、技术学习：做 “减法聚焦”，避免多方向分散精力

1. 核心方向锁定 2 个，非核心暂降级
   • 必保方向：算法（LeetCode 用 C 刷，每周至少 10 题，按 “数组→链表→树→动态规划” 分类练，优先覆盖课程 / 面试高频题）、前端（每周仅花 1 小时看 “HTML/CSS 基础”，学 React。Java 技术栈（SpringBoot 先做 1 个小项目，如 “个人博客”“图书管理系统”，不用贪大，能跑通核心功能即可）。
   • 暂降方向：Java 技术栈（SpringBoot 先做 1 个小项目，如 “个人博客”“图书管理系统”，不用贪大，能跑通核心功能即可）。AI（深度学习 / 机器学习）只跟着课程要求走，不额外刷论文或练复杂模型，避免和核心目标抢时间）。
2. Python 学习聚焦 “实用性”
   • 不追求全栈掌握，只练 “课程要求的模型训练” 相关技能（如用 Pandas 处理数据、Sklearn 调包跑简单模型），做 1-2 个课程作业级小案例（如 “鸢尾花分类”“房价预测”），够用即可。

二、课程处理

1. 专业课 “日常扎实学” 的落地细节
   • 概率论 / 数字电路 / 数据结构：每周花 2 小时看网课（推荐：概率论看 “张宇基础课”、数字电路看 “MOOC 哈工大课”、数据结构看 “王道 / 天勤”），看完当天做 10 道对应课后题，不堆到周末（我的建议是课上做、课上看）；
   • 拒绝 “纯网课输入”：数字电路看完后，用 Multisim 做简单仿真（如编码器 / 译码器），数据结构学完链表 / 树后，用 C 手写代码实现，避免 “听懂但不会写”。

三、自学落地：把 “模糊目标” 拆成 “可执行小步骤”

1. CSDIY / 技术拓展：先 “筛选” 再 “执行”
   • 花 1 天时间，从 CSDIY 的 “大二路径” 里摘 3 个核心模块（如 “算法进阶”“Java Web 基础”“Linux 操作”），每个模块列 “每周小目标”（例：本周学会 “Linux 常用命令”“SpringBoot 连接 MySQL”），不贪多。
2. 开源项目：从 “围观” 到 “模仿”，再到 “参与”
   • 初期：每周逛 1 次 GitHub，找 “star 500-1000” 的 Java 小项目（如 “简易论坛”），看懂 1 个核心功能的代码逻辑（例：用户登录接口），用注释标注流程；
   • 中期：模仿项目写 1 个简化版（如只保留 “登录 + 发帖” 功能），遇到问题查 Issue 区 / Stack Overflow，不急于贡献代码。

四、健康与生活：用 “低门槛规则” 替代 “顺其自然”

1. 饮食：固定 “放纵日”，减少心理内耗
   • 不严格控糖油，改成 “每周六为放纵日”（当天可吃 1 次高热量食物），其他时间正常吃饭（不主动买零食、奶茶，食堂选 “一荤一素一汤” 即可），避免 “克制→失控” 循环。
2. 运动：定 “时间底线”，不追求强度
   • 每周 3 练，每次至少 30 分钟（哪怕只是快走、跳绳，或跟着视频做简单拉伸），用 “打卡表” 记录，避免 “今天不想动就不练”，保持习惯比练多久更重要。

五、职业规划：补充 “项目积累” 节点，让试错更有依据

1. 大二关键节点：年底前必须有 1 个 “完整项目”
   • 无论是 Java Web 项目（如个人博客）、算法相关项目（如 LeetCode 题解整理 + 可视化），还是课程设计优化版，年底前完成 1 个能放 GitHub 的项目，为大三秋招 “试水” 准备素材（哪怕项目简单，也能体现 “动手能力”）。
2. 考研 / 就业的 “判断标准” 提前明确
   • 大三秋招前 1 个月（即明年 9 月），用 3 个指标判断：① LeetCode 刷题量是否满 300 题；② 是否有 2 个以上完整项目；③ 面试 3 家公司后，是否能通过 “技术面”。若 2 个以上不达标，再全力准备考研，避免 “凭感觉决定”。

六、执行保障：加 1 个 “周复盘” 环节，避免目标漂移

每周日晚花 30 分钟做 3 件事：

1. 核对 “核心目标” 完成度（算法题是否够量、专业课题是否做、项目是否推进）；
2. 把下周任务拆成 “每日 1 小时小任务”（例：周一晚 7-8 点刷算法，周二晚 7-8 点学 SpringBoot）；
3. 若某任务连续 2 周没完成，直接从计划中删除（说明优先级不够或难度不匹配），避免内耗。

-----------------

只要开始做了，不管成功还是失败，都是会进步的！

不要驰于空想，加油吧！