本文主要是介绍基于CNN的SEEG/EEG脑电数据处理分析，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
自从AlexNet 神经网络问世以来，Convolutional Neural Network(CNN)是深度学习领域璀璨的明星之一。特别是Computer Vision(CV)领域。基本上CV领域的大多数的任务都是基于CNN神经网络。 当然最近又兴起了GCN。 但是从数学上讲GCN是CNN的一种推广。这个暂时不进行详细的讨论。事实上不仅仅在处理图片这种数据需要用到CNN神经网络。更一般的来说涉及到空间数据处理时使用CNN都是一个不错的选择。CNN更能够捕捉到空间之间相互关联的信息，在图像上表示的是不同坐标像素之间的关系。更加抽象一点的是特征之间的关联。因此CNN在图像识别等领域获得了巨大的成功。
脑电图、脑波图是透过医学仪器脑电图描记仪，将人体脑部自身产生的微弱生物电于头皮处收集，并放大记录而得到的曲线图。脑电图用于辅助诊断脑部相关疾病，但因为其易受到干扰，且包含大量噪声。因此对EEG数据的处理在EEG数据分析中占有重要地位。脑电数据处理的常见方法有时频分析、频域分析、高阶谱分析、非线性分析等方法。其中对于对于人体脑电有以下的划分，以及各个不同频率脑电之间的差异：
很多人对于脑电数据研究更加的侧重于时序的研究， 这个也仅仅是一个研究方面。我目前主要的研究对象是患有睡眠癫痫的病人，数据是SEEG数据。
立体脑电图(SEEG)是通过深度电极(手术植入脑组织的电极)记录脑电图信号。它可用于对药物治疗无反应的癫痫患者，以及可能接受脑部手术以控制癫痫发作的患者。它也可以用于研究，从大脑的特定区域收集神经数据，例如从听觉皮层收集神经数据，用于听觉刺激重建。这项技术在20世纪下半叶被法国巴黎圣安医院引入癫痫患者的诊断工作中。脑内电极被放置在所需的大脑区域内，以记录癫痫发作期间的电活动，从而有助于精确地定义“癫痫发生区”的边界，即产生癫痫发作的大脑区域，该区域应最终通过手术切除以实现免于癫痫发作。该手术的潜在风险(不到1%)包括脑出血和感染，这可能导致永久性神经损伤或死亡。因此，立体脑电图被保留给选定的特别复杂的癫痫病例。
利用SEEG的数据可以研究大脑的各个功能区之间的关联程度，即癫痫对于不同的功能区的影响程度。其中SEEG数据的信号采集是由众多的侵入式的电击构成，其深入到了大脑内部，数量大概有100-200个。医生会根据不同区域发生异常放电的概率大小来决定植入电极多少。对于异常放电的区域称为癫痫的病灶。我们要先对数据进行预处理，使得其能够被神经网络处理。首先这里的每一个电极都是有物理坐标的。我们可以根据坐标来获取一个一维序列，这个序列满足以下条件：
- 序列的任意两个相邻的电极一定是物理位置最接近的。
- 序列的灰质和白质分开计算，最后要做一个拼接。之所以分开是考虑到癫痫有其经常发作的大脑区域。
获取这样序列后，我们可以对于每一个电极取一t的时间窗口。这样我们可以构成一个矩阵，这个矩阵纵坐标是电极序列，横坐标是时间。我们就可以使用CNN来进行训练使用监督学习，我们的任务可以分为两个状态：癫痫发作前的睡眠， 正常睡眠。 我们选择睡眠是因为睡眠的时候脑电数据比较干净，其他干扰较少。实验结果如下：
最后我们的实验取得了97.7%的成绩。我们的训练集和测试集的划分是按照全部的7:3来划分。因此给出任意的一个睡眠脑电片段，按照我们方法处理都有了比较高的识别率。我的代码已经开源到了GitHub上，如果有人感兴趣可以和我作进一步交流。
等相关工作发表后我会开源我的源代码，我的Github地址是：github地址， 多谢大家的关注。
这篇关于基于CNN的SEEG/EEG脑电数据处理分析的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
