第 9 章 脑电图（EEG） 分析与癫痫预测.pptxVIP

第9章脑电图（EEG）分析与癫痫预测基于MindSpore框架的智能医疗解决方案

项目概述核心目标通过脑电图信号分析,提前预测癫痫发作,为患者争取宝贵的预防时间技术框架利用华为MindSpore深度学习框架,实现高效的信号处理与模型训练应用价值显著改善癫痫患者生活质量,降低发作风险,提供个性化医疗方案

核心技术架构01MindSpore框架华为开源深度学习框架,支持自动微分、分布式训练等先进功能02数据处理模块高效的数据加载、预处理和增强功能,确保训练数据质量03模型构建全连接神经网络架构,针对EEG信号特征优化设计04训练与评估完整的模型训练流程和多维度性能评估体系

创新技术:小波变换去噪技术原理小波阈值去噪是基于小波变换的信号处理技术,特别适用于非平稳的EEG信号。通过将信号分解为不同频率子带,进行阈值处理后重构,有效去除噪声。其中λ是小波阈值,σ是噪声标准偏差,N是采样点数应用优势精确保留信号关键特征有效抑制高频噪声干扰提升后续分析准确性适应复杂生理信号环境

去噪后的原始信号和重建信号

信号频率分解原理离散小波变换(DWT)将EEG信号逐级分解为不同频率子带。从0-64Hz开始,每个级别对应特定频率范围,形成近似系数和细节系数的层次结构,为后续特征提取提供多尺度信息。

环境配置与准备1安装MindSpore通过pip命令快速安装MindSpore框架pipinstallmindspore2导入核心库包括数据分析、可视化和文件操作相关库importpandasaspdimportnumpyasnpimportmatplotlib.pyplotasplt3创建辅助函数开发数据合并、转置等预处理工具函数

数据处理流程文件整合收集所有TXT格式的EEG数据文件数据合并将多个文件合并为统一CSV格式数据转置调整数据结构以适应分析需求类别标注为数据添加癫痫发作标签随机打乱打乱数据顺序避免训练偏差

数据集基本信息数据维度数据集包含4096个特征列,代表EEG信号的时间序列采样点,外加1个类别标签列。每行代表一个患者样本的完整脑电记录。类别分布正类(癫痫发作)流行率为20%,表明数据集存在一定的类别不平衡,需要在模型训练中采取相应的平衡策略。关键统计总样本数:200例特征维度:4096正类样本:40例负类样本:160例采样频率:173.61Hz

不同患者脑电信号对比展示了来自5个不同文件夹(A-E)的患者脑电信号。每条曲线代表一名患者在23.6秒内的大脑电活动。信号振幅和模式的差异反映了不同患者的脑电特征和癫痫状态。

单秒脑电活动细节聚焦于1秒时间窗口内的脑电信号变化。这种高时间分辨率的观察有助于捕捉癫痫发作前的微小信号特征,为预测模型提供关键信息。

信号时序聚合分析将同一患者的多个连续时间段信号叠加显示,揭示脑电活动的周期性和变化趋势。这种聚合视图有助于识别长期模式和异常波动。

小波分解层次结构1系数A4最低频率近似系数,包含信号主要趋势2系数D4第4级细节系数,捕捉中低频特征3系数D3第3级细节系数,反映中频信息4系数D2第2级细节系数,包含中高频成分5系数D1第1级细节系数,保留最高频细节

小波系数可视化展示了信号经过5级小波分解后得到的各层系数。从D1到A4,频率逐渐降低,每层系数揭示了信号在不同频率尺度上的特征,为多尺度特征提取奠定基础。

特征提取方法体系时频域特征均值、标准差、相对带功率、谱熵频域特征功率谱密度分析时域特征中位数、最大值、最小值、总变差综合运用多种特征提取技术,从不同角度刻画EEG信号特性,构建丰富的特征空间,提升分类器性能。

特征工程实现时频域特征函数计算信号的均值、标准差、相对带功率和谱熵,综合反映信号在时间和频率维度的统计特性。deffeatures_T_F(x,sf,band):MAV=Mean(x)STD=Std(x)Rbp=bandpower(x,sf,band)SE=Spectral_Entropy(x)returnMAV,STD,Rbp,SE时域特征函数提取信号的中位数、均值、标准差和总变差,描述信号的集中趋势和波动特征。deffeatures_T_1(x):Me=Median(x)mean=Mean(x)STD=Std(x)Tv1=Total_variation(x)returnMe,mean,STD,Tv1

特征提取执行流程1信号去噪应用小波阈值去噪处理原始EEG信号2多级分解执行5级离散小波变换,获得各层系数3特征计算对每层系数提取时频域、频域和时域特征4特征整合将所有特征组合成完整的特征向量5数据保存构建特征数据框并保存为CSV文件

特征数据集结构经过特征提取