1、CHB-MIT头皮脑电图数据介绍

该数据库收集自波士顿儿童医院，其中包括患有难治性癫痫发作的儿科患者的脑电图记录。停用抗癫痫药物后最多持续几天对受试者进行监测，以表征其癫痫发作并评估其对手术干预的候选资格。

从22位受试者中收集了23个病例的记录（5例男性，3至22岁； 17例女性，1.5至19岁）。（案例chb21是在案例chb01之后1.5年从同一女性受试者获得的。）文件SUBJECT-INFO包含每个受试者的性别和年龄。（案例chb24已于2010年12月添加到此收藏中，并且当前未包含在SUBJECT-INFO中。）

每个案例（chb01，chb02等）都包含9到42个来自单个主题的连续.edf文件。硬件限制导致连续编号的.edf文件之间出现间隙，在此期间未记录信号；在大多数情况下，间隔为10秒或更短，但偶尔会有更长的间隔。为了保护受试者的隐私，原始.edf文件中的所有受保护健康信息（PHI）已替换为此处提供的文件中的替代信息。原始.edf文件中的日期已替换为代理日期，但属于每种情况的单个文件之间的时间关系已保留。在大多数情况下，.edf文件仅包含一小时的数字化EEG信号，尽管属于情况chb10的文件为两个小时，而属于情况chb04，chb06，chb07，chb09和chb23的文件为四个小时。有时，记录有癫痫发作的文件较短。

所有信号均以每秒256个样本的速度以16位分辨率进行采样。大多数文件包含23个EEG信号（在某些情况下为24或26）。这些记录使用了国际10-20脑电图电极位置和命名系统。在一些记录中，还记录了其他信号，例如，属于案例chb04的后36个文件中的ECG信号和属于案例chb09的后18个文件中的迷走神经刺激（VNS）信号。在某些情况下，最多5个“虚拟”信号（称为“-”）散布在EEG信号中，以获得易于读取的显示格式；这些虚拟信号可以忽略。

文件RECORDS包含此集合中所有664个.edf文件的列表，文件RECORDS-WITH-SEIZURES列出了包含一个或多个癫痫发作的文件中的129个。这些记录总共包括198次癫痫发作（原始23例病例中为182例）； .seizure批注文件中对每个扣押的开始（[）和结束（]）进行了注释，这些文件与RECORDS-WITH-SEIZURES中列出的每个文件一起提供。此外，名为chbnn-summary.txt的文件包含有关每次录制使用的剪辑画面的信息，以及从每个.edf文件开始到其中包含的每次检出开始和结束的经过时间（以秒为单位）。

2、CHB-MIT头皮脑电图数据下载

https://physionet.org/content/chbmit/1.0.0/
由于该数据集在国外，下载速度较慢，本人将下好的数据集放到了网盘，需要的可以私信提供下载链接！

3、CHB-MIT头皮脑电图数据处理

3.1、提取原始数据

为了方便研究，首先要将.edf文件提取出来（这里保存为.npy文件，若要保存为其他格式，也非常容易），下面附上Python代码：

import mne
import numpy as np
import pandas as pd
import osraw = mne.io.read_raw_edf("path_edf",preload=False,verbose=False)
data,times = raw[:,:]
data = data.T * 1000000
np.save("data"+f_str,data)

3.2、滤波（0.1~50hz）

原始数据中包含了很多我们不需要的频率成分，所以我们要对原始脑电数据滤波。正常脑电频率范围是0~50hz。具体代码如下：

import mne
import numpy as np
import pandas as pd
import osraw = mne.io.read_raw_edf("path_edf",preload=False,verbose=False)
raw.filter(0.1,50.,method='iir')
data,times = raw[:,:]
data = data.T * 1000000
np.save("data"+f_str,data)

3.3、数据分块(时间窗口)

目前大多数研究的做法都是将数据分块，也就是划分了时间窗口：
用MNE-Python库实现还是比较容易的，直接附上代码：

new_events = mne.make_fixed_length_events(raw,start=0,stop=t_start-ser,duration=duration,overlap=0.)
epochs = mne.Epochs(raw, new_events, event_id=None, tmin=0., tmax=tmax, baseline=None, picks=None, preload=True, reject=None, flat=None, proj=True, decim=1, reject_tmin=None, reject_tmax=None, detrend=None, on_missing='raise', reject_by_annotation=True, metadata=None, event_repeated='error', verbose=None)data = epochs.get_data()
data = data*1e6np.save("data",data)

接下来就可以进入具体的研究内容了！！！

CHB-MIT波士顿儿童医院癫痫EEG脑电数据处理（一）相关推荐

CHB-MIT波士顿儿童医院癫痫EEG脑电数据处理-癫痫发作预测（六）
CHB-MIT波士顿儿童医院癫痫EEG脑电数据处理-癫痫发作预测(六) 导入需要的包各功能模块数据集导入模型训练训练结果保存模型测试结果导入需要的包 import numpy as np ...
CHB-MIT波士顿儿童医院癫痫EEG脑电数据处理-通道选择（五）
CHB-MIT波士顿儿童医院癫痫EEG脑电数据处理-通道选择(五) 概述通道选择模型通道选择 LightGBM模块代码 LightGBM模型训练概述由于癫痫发作时不是整个大脑区域都有相关的反映 ...
CHB-MIT波士顿儿童医院癫痫EEG脑电数据处理（二）
主要内容 1.数据提取 2.制作数据样本-数据分快 3.过程展示 1.数据提取本次教程以chb01患者的数据为例: 首先提取该患者的eeg数据: 在数据提取中就完成滤波:(0~50Hz) from ...
CHB-MIT波士顿儿童医院癫痫EEG脑电数据处理-2D-CNN（四）
主要内容 1.数据提取 2.提取过程 1.数据提取本次教程做适用于整体数据集上的处理工作,以不同的的处理代码展示整体的数据处理! 本次数据处理教程是没有做STFT变换,之间将提取的数据变换为适合2D ...
手把手教你EEG脑电数据预处理-操作篇
目录导入数据对数据进行初步认识电极定位移除无用电极重参考重采样滤波分段和基线校正插值坏导 ICA 剔除ICA成分剔除坏段目视检查法保存数据本分享为脑机学习者Rose整理发表于 ...
手把手教你EEG脑电数据预处理-原理篇
目录 0. EEG data 1. 定位通道数据 2. 删除无用数据 3.滤波 4.分段 5.基线校正 6. 重参考 7. 降低采样率 8. 插值坏导 9. 独立主成分分析 10. 剔除坏段本分享为 ...
Analyzer脑电数据处理步骤
Analyzer脑电数据处理步骤 1 简化版流程 2 详细版流程 2.1 设置数据路径的workspace 2.2 转换参考(New Reference 2.3 滤波(Filters) 2.4 ICA ...
Python中FIR滤波和STFT滤波对比（MNE脑电数据处理）
在脑电数据处理中滤波是很重要的一个步骤,直接影响后面的特征提取等计算流程.在之间写的博客中有过介绍(https://blog.csdn.net/zhoudapeng01/article/details ...
EEG脑电公开数据库大盘点
不做实验能否发表论文?答案当然是肯定的.对于刚进入EEG领域的同学来说,利用网上公开的EEG数据库练练手,顺便发表一些论文是个不错的选择.公开数据库对于促进科学研究的快速发展意义重大,公开数据的建立可 ...
arduino eeg脑电模块_应用深度学习EEGNet来处理脑电信号
本分享为脑机学习者Rose整理发表于公众号:脑机接口社区(微信号:Brain_Computer).QQ交流群:903290195 EEGNet论文 EEGNet简介脑机接口(BCI)使用神经活动作为 ...

CHB-MIT波士顿儿童医院癫痫EEG脑电数据处理（一）

主要内容