使用对抗性训练增强深度学习以稳健预测癫痫发作 该存储库包含 Hussein A.、Djandji M. 等人在 ACM Transactions on Computing for Healthcare 发表的期刊论文“Augmenting DL with Adversarial Training for Robust Prediction of Epilepsy Seizures”中使用的代码。 该论文可以在这里找到： : 。 要求 h5py (2.9.0) 希克尔 (3.4.5) matplotlib (3.1.1) 内 (0.11.0) 熊猫 (0.25.1) scikit-learn (0.21.3) scipy (1.1.0) 张量流-GPU (1.14.0) 主文件夹说明 CHBMIT 和 FB：原始数据集文件夹。 CHBMIT_cache 和 FB_cach

针对目前癫痫发作实时自动预测困难的问题，将开展以LSTM模型为基础的癫痫发作预测的研究，构建了基于LSTM的神经网络模型对癫痫发作进行预测。将采集到的癫痫脑电数据进行预处理，然后提取单导联脑电小波能量特征，结合构建的基于LSTM的模型来识别癫痫发作前期和发作间期的状态，从而实现癫痫发作的预测。与传统的SVM和MLP相比，本方法取得了98.5%的分类精度和零误警的结果。为未来开发癫痫发作预警系统提供了理论基础，在临床应用上具有较大的潜在价值。

Kaggle-EEG：使用机器学习从EEG数据中预测癫痫发作。 KaggleUni墨尔本癫痫发作预测比赛第三名

该项目有两部分： 1.预处理： 预处理脚本使用小波变换对EEG信号进行去噪，降低采样频率并将10分钟片段分成15个时间序列。项目的这部分是用MATLAB编写的。该脚本位于source/Preprocessing/Preprocess_data.m下。 2.CNN+LSTM：预处理完成后，将使用此数据训练CNN+LSTM模型。 架构如下图所示： source/DataGenerator.py脚本是一个自定义类，用于将数据批量加载到内存中，而不是一次加载整个数据集。有关该类的更多信息，请参阅脚本中的注释。

癫痫发作检测 该存储库包含“深度学习”项目的代码，用于识别癫痫诊断患者的异常脑电图。 参考 ChronoNet：用于异常EEG识别的深度递归神经网络 如果您发现存储库中的代码很有用，请使用以下命令将其引用： @misc{chitlangia2021epileptic, author = {Chitlangia, Sharad}, title = {Epileptic Seizure Detection using Deep Learning}, year = {2021}, publisher = {GitHub}, journal = {GitHub repository}, howpublished = {\url{https://github.com/Sharad24/Epileptic-Seizure-Detection/}}, }

脑电提取均值信号特征的matlab代码用于癫痫发作检测的脑电图特征工程 该 repo 记录了癫痫发作检测任务中最具挑战性的部分 EEG 特征工程的 MATLAB 代码。 这些 EEG 特征已被 Citation 中已发表的论文所使用。 脑电特征域 功能编号 特征域 描述 1-4 基本统计 平均振幅、标准振幅、过零次数、振幅范围 5-16 光谱分析 每个频段的功率比和绝对功率，alpha、beta、theta、delta、gamma 和 freq 质心，总功率 17-28 时频域 离散小波变换（DWT）在六个频段上系数的均值和标准差 29-31 非线性特征 ApEn、LZ 复杂度、Hurst 指数 32-43 时空域 六个频段和大脑区域的锁相值 44-47 同步测量（带频移/频移） 时域和频域中的动态扭曲 48-62 复杂网络特征 从时间和频率不变网络中提取的特征 功能 1-47 参考； 功能 48-62 对 . 基于这项工作的博士论文在 . 脑电特征提取首先，通过以下方式下载此 repo： git clone git@github.com:ieeeWang/EEG-feature-se

这是墨尔本大学 AES/MathWorks/NIH 癫痫发作预测 ( https://www.kaggle.com/c/melbourne-university-seizure-prediction ) 的 MATLAB 解决方案。 它建立在使用神经网络工具箱中的自动编码器和神经网络的基础上。 压缩文件包含： 1. autoencoder_train.m, 使用自动编码器构建深度网络的脚本，如以下示例中所述： http : //www.mathworks.com/help/nnet/ug/construct-deep-network-using-autoencoders.html 。 在构建深度或堆叠网络后，深度网络将适应更多的训练数据。 2. autoencoder_test.m, 一个脚本，用于加载从训练数据构建的神经网络，并对验证和测试数据进行预测。

cnn源码matlab去噪-SeizurePrediction:一种CNN+LSTM架构，可根据EEG数据预测癫痫发作

matlab由频域变时域的代码癫痫检测系统 该项目是HIT电气工程学士学位课程的最终项目。 项目详情 该项目描述了一项有关使用具有低通道数的EEG标记的癫痫检测系统的实验。 该系统利用机器学习分类器SVM，KNN和LDA（基于）在熵和能量特征上进行开发（基于）。在时间样本上以恒定大小的连续窗口进行操作，算法针对每个窗口从时域和常数能量中提取熵频域的频率边界。 标记为癫痫发作的每个窗口均会激活分类器。 训练算法 测试算法 特征提取 该项目用于学习和测试项目结果。 里面什么 代码 -算法的主文件。 -Chack参数值。 -从CHB-MIT数据集中加载文件。 -第三方代码。 -解析摘要癫痫发作文件以找到癫痫发作索引。 -将文件内容排序为全局结构。 -拆分脑电图结构以训练测试。 -删除了嘈杂的频道算法。 -从训练结构中提取数据集。 -从训练结构生成数据集。 -提取熵和能量特征。 -从测试结构中提取数据集。 -从测试结构生成数据集。 -提取熵和能量特征。 -使用分类器SVM，KNN和LDA分析数据集。 -保存并绘制结果 资料夹 -包含第三方代码。 -包含中保存的数据集，如果文件存在，则算法将跳过

CNNs-CHB-MIT 该项目是关于将CNN应用于来自CHB-MIT的EEG数据以预测癫痫发作。 这是UNIVERSITA DI CAMERINO分配给计算机科学学士学位的小组项目。 该项目的目的是尝试复制论文中获得的结果： 该算法包括创建数据的频谱图，然后将它们与CNN模型一起使用以预测癫痫发作。 有关更多信息，请参见和 。 这两个文件分别是意大利语的作品介绍和关系。 入门 先决条件 在该项目中，anaconda用于管理软件包。 所需包装： keras 2.2.2 python 3.6.6 张量流1.10.0 matplotlib 麻木 pyedflib 科学的 为了评估网络，进行培训和测试，GPU用于快速评估。 通过使用CPU，训练时间比使用GPU慢得多。 GPU所需的软件包： 张量流 对于GPU的使用，此链接对于安装Ubuntu 18.04 LTS的所有驱