CHBMIT数据集实战指南：从数据预处理到癫痫预测模型构建

1次阅读

共计 2022 个字符，预计需要花费 6 分钟才能阅读完成。

CHBMIT 作为癫痫脑电研究的经典数据集，在实际使用中常遇到三大难题：

EDF 文件格式解析复杂：原始数据采用欧洲数据格式（EDF），需处理多通道信号头信息与二进制数据块对齐
电极命名不规范：同一解剖位置在不同患者记录中可能标为『T3』或『T7』等别名，导致跨患者分析困难
事件标注异构性：癫痫发作标记存在临床医生主观差异，部分文件使用『sz』而其他用『seizure』作为标签

使用 MNE-Python+EEGLAB 组合工具链：

import mne
from mne.preprocessing import ICA

# 加载 EDF 文件（示例含中文注释）raw = mne.io.read_raw_edf('chb01_01.edf', preload=True)  
# 电极位置标准化（解决命名差异）mne.standardize_montage(raw, montage='standard_1020')  

# 带通滤波 0.5-40Hz（滤除肌电 / 工频干扰）raw.filter(0.5, 40., fir_design='firwin')  

# ICA 去伪迹（眼动 / 心跳）ica = ICA(n_components=15, random_state=97)
ica.fit(raw)
ica.exclude = [0, 1]  # 手动选择噪声成分
ica.apply(raw)

提取对癫痫敏感的特征：

import pywt
import numpy as np

def wavelet_energy(signal):
    # 小波包分解（5 层 db4 小波）coeffs = pywt.wavedec(signal, 'db4', level=5)
    return [np.sum(c**2) for c in coeffs]  # 各频段能量

def hjorth_params(signal):
    # Hjorth 活动性 / 复杂性 / 移动性  
    diff1 = np.diff(signal)
    activity = np.var(signal)
    mobility = np.sqrt(np.var(diff1) / activity)
    complexity = np.std(diff1) / np.mean(np.abs(diff1))
    return [activity, mobility, complexity]

关键点：医疗数据必须采用患者级 5 折交叉验证，避免同一患者数据同时出现在训练 / 测试集。

PyTorch 实现 1D-CNN+LSTM 混合模型：

import torch
import torch.nn as nn

class ChannelAttention(nn.Module):
    def __init__(self, ch):
        super().__init__()
        self.avg_pool = nn.AdaptiveAvgPool1d(1)
        self.fc = nn.Sequential(nn.Linear(ch, ch//4),
            nn.ReLU(),
            nn.Linear(ch//4, ch),
            nn.Sigmoid())

    def forward(self, x):
        b, c, _ = x.size()
        y = self.avg_pool(x).view(b, c)
        y = self.fc(y).view(b, c, 1)
        return x * y  # 通道注意力加权

class EpilepsyModel(nn.Module):
    def __init__(self):
        super().__init__()
        self.cnn = nn.Sequential(nn.Conv1d(18, 32, kernel_size=3, padding=1),
            nn.BatchNorm1d(32),
            nn.ReLU(),
            ChannelAttention(32)  # 加入注意力机制
        )
        self.lstm = nn.LSTM(32, 64, bidirectional=True)
        self.classifier = nn.Linear(128, 2)

    def forward(self, x):
        x = self.cnn(x)  # [batch, 32, seq_len]
        x = x.permute(2, 0, 1)  # LSTM 需要[seq_len, batch, feat]
        x, _ = self.lstm(x)
        return self.classifier(x[-1])