简介：这份MATLAB代码资源面向认知神经科学与类脑计算方向的研究者，围绕论文《人类脑电图和递归神经网络在语音识别过程中表现出共同的时间动态》提供完整分析实现，用于复现EEG与RNN在语音加工中的时间动态对比。包内共51个文件，以50个.m脚本和1个README.md为主，压缩包约77KB，脚本按频域表征、刺激包络与网络输出/EEG互相关、表征相似性分析（RSA）等模块组织，并包含滤波器设计、RDM构建、统计检验与绘图等辅助函数。运行前需按说明依次执行各脚本，并将路径更新为本地系统路径。已有162人学习下载，适合具备一定MATLAB基础、希望深入理解EEG与神经网络对比分析流程的读者参考，可据此掌握从数据预处理、频域与包络分析到RSA建模和结果可视化的完整链路，为自身实验设计与代码实现提供可复用的思路与工具。

1. 从一段“玄学”的脑电数据说起：这个项目到底能干什么

如果你手头有一批 EEG 数据，想用循环神经网络做点分类或预测，却卡在“数据怎么读、网络怎么搭、结果怎么复现”这三座大山前，那这个名为 EEGAndRNNAnalysis 的 MATLAB 代码包，大概率能帮你省下不少翻车时间。它把脑电图信号处理和 RNN 建模串成了一条完整的分析链路，从原始数据加载、预处理、特征整理，到网络结构定义、训练参数配置、结果可视化，基本都覆盖到了。适合谁？做脑机接口、认知神经科学、生物医学信号处理方向的研究生和工程师，尤其是习惯用 MATLAB 做科研原型、不想从零造轮子的人。它不是一个庞大的框架，而是一套能直接跑、能拆开改的工程代码，你拿到手就能顺着脚本一步步看到数据怎么变成预测结果。

2. 项目结构拆解：从数据目录到网络定义文件

2.1 目录布局与文件职责

拿到一个 MATLAB 项目，我第一件事不是急着 run，而是先看目录结构。这个项目的组织方式很典型，常见做法是分成数据、脚本、函数、结果四大块。数据目录放原始 EEG 文件或预处理后的 .mat 文件；脚本目录放主流程入口，比如main_train.m、main_test.m；函数目录放预处理、网络构建、训练循环这些可复用模块；结果目录用来存模型权重、训练曲线和混淆矩阵图。这样分的好处是，你换一批数据只需要改数据路径，换网络结构只需要动函数目录里的定义文件，不会牵一发动全身。

具体到文件命名，我一般会看到类似loadEEGData.m、preprocessEEG.m、buildRNNModel.m、trainRNN.m、evaluateModel.m这样的函数文件。主脚本负责按顺序调用它们，每个函数只做一件事。这种“一个函数一个职责”的写法，对二次开发特别友好，你想替换预处理方法，直接改preprocessEEG.m就行，不用去主脚本里大海捞针。

提示：如果你拿到的版本里函数名和上面不完全一样，别慌，按功能找对应文件即可，核心逻辑不会差太远。

2.2 数据流与模块依赖关系

这个项目的数据流是单向的：原始 EEG → 预处理 → 特征/序列整理 → RNN 网络 → 训练 → 评估。模块之间的依赖靠函数调用和 .mat 文件传递。比如预处理函数输出一个结构体，里面包含处理后的信号矩阵和标签向量，然后主脚本把这个结构体喂给网络构建函数。网络构建函数返回一个 MATLAB 的layerGraph或dlnetwork对象，训练函数再拿这个对象和训练数据去跑循环。

这里有个关键点：MATLAB 的深度学习工具箱对数据格式有要求，RNN 输入通常是numFeatures × numTimeSteps × numObservations的三维数组，或者用cell数组存变长序列。这个项目里大概率会在预处理阶段就把数据整理成这种格式，省得你在训练循环里再做转换。我见过不少新手在这里踩坑，把维度顺序搞反，结果网络训练时维度对不上，报错信息又很隐晦。所以看代码时，重点留意permute和reshape这两个函数出现的位置，它们就是维度调整的关键。

2.3 关键配置参数在哪里改

项目里通常会有一个config.m或者直接在脚本开头定义一批参数，比如采样率、时间窗长度、训练轮数、学习率、批大小、隐藏层单元数。这些参数决定了你跑一次实验要等多久、结果好不好。我一般会先把config.m里的路径改成自己的数据路径，然后把训练轮数调小，比如先跑 5 个 epoch 看看流程通不通，再改成完整轮数。学习率默认值可能是 0.001 或 0.01，如果你发现 loss 不下降或者震荡得厉害，先从这里下手调。

另外，RNN 的序列长度和批大小是强相关的。序列太长、批太大，显存或内存容易爆；序列太短，又可能丢时间依赖信息。常见做法是先把序列长度固定成 1 秒或 2 秒的窗口，批大小设成 16 或 32，跑通了再根据机器情况调整。

3. 跑通第一步：环境准备与数据加载

3.1 MATLAB 版本与工具箱依赖

这个项目依赖 MATLAB 的深度学习工具箱（Deep Learning Toolbox），如果用到 LSTM 或 GRU 层，还需要对应的函数支持。我建议用 R2021a 或更新的版本，因为旧版本里dlnetwork和自定义训练循环的 API 不太稳定。检查工具箱是否安装，可以在命令行输入ver看列表里有没有 Deep Learning Toolbox。如果没有，就得先装好，不然lstmLayer、trainingOptions这些函数根本调不出来。

另外，如果项目里用了 GPU 加速，还需要 Parallel Computing Toolbox 和支持 CUDA 的显卡。没有 GPU 也能跑，就是慢一点，把trainingOptions里的ExecutionEnvironment改成'cpu'就行。

3.2 加载 EEG 数据的代码实现

数据加载通常是第一步，也是容易出问题的一步。下面这段代码是我根据这类项目的常见写法整理的，展示了如何从 .mat 文件读取 EEG 信号和标签，并整理成 RNN 需要的格式。

% loadEEGData.m function [data, labels] = loadEEGData(dataPath) % 读取 .mat 文件，假设里面存有 eegData 和 eegLabels 两个变量 loaded = load(dataPath); rawData = loaded.eegData; % 原始信号，维度可能是 [通道数 × 时间点 × 试次] labels = loaded.eegLabels; % 标签，维度 [试次 × 1] % 转成 double 类型，避免后续计算出错 data = double(rawData); % 检查维度，如果通道数在第三维，做一次 permute if size(data, 3) == size(labels, 1) % 常见格式：通道 × 时间 × 试次，保持不变 else % 如果格式不对，按实际情况调整 warning('数据维度与标签数量不匹配，请检查数据格式'); end % 输出提示信息 fprintf('加载完成：%d 个试次，%d 个通道，%d 个时间点\n', ... size(data, 3), size(data, 1), size(data, 2)); end

这段代码的逻辑很直接：用load读文件，把数据转成double，然后检查维度是否和标签数量对得上。参数说明：dataPath是 .mat 文件的完整路径，data输出是三维数组，labels是标签向量。注意size(data, 3)对应试次数，必须和size(labels, 1)一致，否则后面训练时样本数对不上，会报错。

我一般会在加载后加一句whos data labels看看变量占了多少内存，如果数据太大，考虑先做降采样或者分段处理。

3.3 预处理与序列整理

加载完数据，下一步是预处理。EEG 信号通常要做带通滤波、去均值、归一化，有时候还要做伪迹去除。这个项目里大概率会有一个preprocessEEG.m函数，里面用bandpass或filter做滤波，用zscore做归一化。下面是一个常见的预处理片段：

% preprocessEEG.m function processed = preprocessEEG(data, fs) % fs 是采样率 % 带通滤波 1-40 Hz，去掉低频漂移和高频噪声 bpFilt = designfilt('bandpassiir', 'FilterOrder', 4, ... 'HalfPowerFrequency1', 1, 'HalfPowerFrequency2', 40, ... 'SampleRate', fs); filtered = filtfilt(bpFilt, data')'; % 注意转置，filtfilt 按列处理 % 按通道做 z-score 归一化 normalized = zscore(filtered, 0, 2); % 沿时间维归一化 % 把试次维度换到第三维，适配 RNN 输入 processed = permute(normalized, [1, 2, 3]); fprintf('预处理完成，输出维度：%d × %d × %d\n', size(processed, 1), ... size(processed, 2), size(processed, 3)); end

这里designfilt设计了一个 4 阶 IIR 带通滤波器，filtfilt做零相位滤波，避免相位失真。zscore的第三个参数2表示沿第二维（时间维）归一化。最后permute保持维度不变，但实际项目中可能需要把试次维换到第三维，具体看网络输入要求。参数fs是采样率，必须和实际数据一致，不然滤波频率范围就错了。

注意：filtfilt要求数据长度至少是滤波器阶数的三倍，如果试次太短，先做 padding 或者改用filter。

4. 核心模块：RNN 网络构建与训练循环

4.1 定义 LSTM/GRU 网络结构

这个项目名字里有 RNN，那核心网络大概率是 LSTM 或 GRU。MATLAB 里定义这类网络有两种方式：用layerGraph搭静态图，或者用dlnetwork加自定义训练循环。科研项目里常见的是前者，因为代码更简洁。下面是一个典型的 LSTM 分类网络定义：

% buildRNNModel.m function layers = buildRNNModel(inputSize, numHiddenUnits, numClasses) % inputSize: 输入特征维度（通道数） % numHiddenUnits: LSTM 隐藏单元数 % numClasses: 分类类别数 layers = [ sequenceInputLayer(inputSize, 'Name', 'input') lstmLayer(numHiddenUnits, 'OutputMode', 'last', 'Name', 'lstm') dropoutLayer(0.3, 'Name', 'dropout') fullyConnectedLayer(numClasses, 'Name', 'fc') softmaxLayer('Name', 'softmax') classificationLayer('Name', 'output') ]; end

逐层说明：sequenceInputLayer接收序列输入，inputSize就是通道数；lstmLayer的OutputMode设为'last'表示只取最后一个时间步的输出，用于分类；dropoutLayer做正则化，防止过拟合；fullyConnectedLayer把隐藏状态映射到类别数；最后softmaxLayer和classificationLayer输出概率和分类结果。参数numHiddenUnits一般从 64 或 128 起步，太大容易过拟合，太小欠拟合。

如果你要做的是回归任务，把最后两层换成fullyConnectedLayer(1)和regressionLayer就行。

4.2 训练参数配置与训练循环

网络定义好之后，用trainingOptions配置训练参数，然后调trainNetwork开始训练。下面是常见写法：

% trainRNN.m function [net, info] = trainRNN(trainData, trainLabels, layers, options) % trainData: 训练数据，cell 数组或三维数组 % trainLabels: 训练标签，categorical 类型 % layers: 网络层定义 % options: trainingOptions 返回的训练选项 [net, info] = trainNetwork(trainData, trainLabels, layers, options); % 保存训练信息和模型 save('trainedModel.mat', 'net', 'info'); fprintf('训练完成，模型已保存。\n'); end

trainingOptions的配置一般在主脚本里，类似这样：

options = trainingOptions('adam', ... 'MaxEpochs', 30, ... 'MiniBatchSize', 32, ... 'InitialLearnRate', 0.001, ... 'LearnRateSchedule', 'piecewise', ... 'LearnRateDropPeriod', 10, ... 'LearnRateDropFactor', 0.5, ... 'Shuffle', 'every-epoch', ... 'ValidationData', {valData, valLabels}, ... 'ValidationFrequency', 10, ... 'Plots', 'training-progress', ... 'Verbose', false);

参数说明：adam是优化器，MaxEpochs是最大训练轮数，MiniBatchSize是批大小，InitialLearnRate是初始学习率。LearnRateSchedule设为'piecewise'表示每过LearnRateDropPeriod轮，学习率乘以LearnRateDropFactor，这是防止后期震荡的常用手段。ValidationData用来监控验证集表现，Plots打开训练进度窗口，能实时看到 loss 和 accuracy 曲线。

我一般会先把MaxEpochs设成 5 跑一遍，确认没有维度错误、loss 能下降，再改成 30 或 50 跑完整训练。

4.3 评估与结果可视化

训练完，用测试集评估模型，画混淆矩阵和 ROC 曲线。下面是一个评估函数的骨架：

% evaluateModel.m function evaluateModel(net, testData, testLabels) % 预测 predicted = classify(net, testData); % 计算准确率 acc = mean(predicted == testLabels); fprintf('测试集准确率：%.2f%%\n', acc * 100); % 画混淆矩阵 figure; confusionchart(testLabels, predicted); title('混淆矩阵'); % 如果类别数大于 2，画 ROC 曲线需要额外处理 % 这里省略，按需添加 end

classify返回预测标签，和真实标签比较得到准确率。confusionchart是 MATLAB 自带的混淆矩阵可视化函数，能直观看到哪些类别容易混。如果要做多分类 ROC，需要先拿到概率输出，再用perfcurve逐类计算，代码会复杂一些，但思路一样。

5. 避坑与排查：跑 EEG+RNN 时最容易翻车的几个点

5.1 维度不匹配报错

现象：训练时提示 “Invalid training data. The output size of the last layer does not match the number of classes” 或者 “Sequence input must be a cell array or numeric array”。原因通常是数据维度顺序不对，或者标签没有转成categorical。解决：先用size和class检查数据和标签，确保输入是通道 × 时间 × 试次或cell数组，标签用categorical转换。如果输入是double矩阵，sequenceInputLayer要求第三维是试次，别搞反。

5.2 训练 loss 不下降

现象：跑了几十个 epoch，loss 一直在 2.3 附近晃，准确率跟随机猜差不多。原因可能是学习率太大导致震荡，或者数据没归一化，或者标签和输入完全对不上。解决：先把学习率降到 0.0001 试试，再检查预处理有没有做 z-score。如果还不行，拿一小部分数据（比如 10 个试次）过一遍网络，看能不能过拟合，能过拟合说明网络没问题，是数据或参数的事。

5.3 内存不足或训练太慢

现象：跑几个 batch 就提示 “Out of memory”，或者一个 epoch 要等半小时。原因通常是序列太长、批太大，或者没开 GPU。解决：把MiniBatchSize降到 8 或 16，把序列长度截短（比如从 2 秒改成 1 秒），然后在trainingOptions里加'ExecutionEnvironment', 'gpu'。如果 GPU 显存还是不够，用'multi-gpu'或者梯度累积，但后者要改训练循环，麻烦一些。

5.4 验证集准确率波动大

现象：训练集准确率一直涨，验证集准确率忽高忽低，最后过拟合。原因通常是数据量太少或者 dropout 不够。解决：增大 dropout 比例（从 0.3 调到 0.5），加 L2 正则化（在trainingOptions里设'L2Regularization', 0.01），或者做数据增强（加噪声、时间平移）。如果试次本来就少，考虑用交叉验证，别只切一次训练/验证集。

5.5 保存的模型加载后不能用

现象：训练完保存了net，下次load进来用classify报错。原因可能是保存时只存了网络，没存预处理参数，或者 MATLAB 版本不一致导致对象结构变化。解决：保存时把归一化参数、采样率、序列长度这些一起存进一个结构体，加载后先做同样的预处理再预测。跨版本加载时，尽量用相同或更新的 MATLAB 版本。

6. 二次开发：换数据、换网络、换任务的改造思路

这个项目最值钱的地方不是它跑出来的某个结果，而是它把 EEG + RNN 的流程拆成了可替换的模块。你想换成自己的数据，只需要改loadEEGData.m里的读取逻辑和config.m里的路径；想换网络结构，改buildRNNModel.m就行，比如把 LSTM 换成 GRU，或者加一层 BiLSTM，甚至换成 Transformer 层（MATLAB 从 R2021b 开始支持transformerLayer）。换任务也简单，分类改回归就把最后两层换掉，损失函数从交叉熵改成 MSE。

我一般会先做一个最小改动验证：拿 5 个试次的数据，把网络隐藏单元降到 8，跑 2 个 epoch，看整个链路能不能通。通了再逐步放大数据量和网络规模。这样比一上来就全量跑要省时间，也更容易定位问题。

还有一个技巧是给每个模块加日志。比如在preprocessEEG.m里打印滤波前后的信号方差，在trainRNN.m里每个 epoch 打印一次 loss。MATLAB 的fprintf就够用，别小看这几行输出，出问题时能帮你快速判断是数据挂了还是网络挂了。

提示：如果你要发论文或做对比实验，记得把随机种子固定住，rng(42)放在主脚本开头，不然每次跑的结果都不一样，审稿人问起来很麻烦。

从那以后我每次拿到新的 EEG 数据，都强制先跑一遍 5 个试次的小流程，确认维度、标签、预处理都对了，再上全量。这个习惯帮我省了至少几十个小时的无效等待。希望帮到你。

本文还有配套的精品资源，点击获取