Kaggle 癫痫检测挑战 解决方案。 卷积神经网络以一种糟糕的方式应用于原始 EEG 数据：来自不同通道的特征仅在隐藏层中组合。 描述了更好的解决方案。

描述 用于此代码是2016年我的解决办法结束8日将在私人排行榜和它是基于公共排行榜和0.79074 AUC私人排行榜与0.80396 AUC分类决策树。 软件 Matlab 2014a 数据 我使用了train_and_test_data_labels_safe.csv中标记为安全的所有数据文件。 没有进行任何预处理。 特征 在每个频道的整个10分钟文件中计算功能，而不会分成任何较短的纪元。 我基本上从示例提交脚本中获取了所有功能，并根据我的直觉和有关此主题的一些文章添加了其他功能。 功能包括： 平均值，标准偏差，偏度，峰度，光谱边缘，香农熵（用于信号和Dyads），Hjorth参数，几种类型的分形维数 使用Morlet波的10尺度小波变换的奇异值 -0.5，+ 0.5秒间隔内通道之间的最大相关性，频域中通道之间的相关性，每个二进位级上通道功率谱之间的相关性 每个频道共有73个功能，只

Matlab的耳语描述 这是用于2016年我的解决办法结束8日将在私人排行榜代码，它是基于对公共排行榜与0.80396 AUC分类决策树和0.79074 AUC私人排行榜。 软件 Matlab 2014a 二手工具箱：统计工具箱，信号工具箱，小波工具箱 特征 在每个频道的整个10分钟文件中计算功能，而不会分成任何较短的纪元。 我基本上从示例提交脚本中获取了所有功能，并根据我的直觉和有关此主题的一些文章添加了其他功能。 功能包括： 平均值，标准偏差，偏度，峰度，光谱边缘，香农熵（用于信号和Dyads），Hjorth参数，几种类型的分形维数 使用Morlet波的10尺度小波变换的奇异值 -0.5，+ 0.5秒间隔内通道之间的最大相关性，频域中通道之间的相关性，每个二进位级上通道功率谱之间的相关性 每个频道共有73个功能，只使用了功能的实际部分。 交叉验证 我使用了统计工具箱中的cvpartition ，它可以创建随机分区，其中每个子样本具有相等的大小和大致相同的类比例。 我不在乎序列会导致我的本地AUC结果比排行榜高出约0.1。 模型 为每个通道和患者创建一个分类决策树模型，将患者通道间的

​ 做 EEG 信号识别的数据集，原网站上的数据集删掉了，本人从Kaggle上搬运过来，希望对大家的学习有帮助。感兴趣的同学请移步Kaggle。 ​

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

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

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

卷积神经网络和功能性近红外光谱信号对癫痫发作的预测 请引用为：Rosas-Romero，R.，Guevara，E.，Peng，K.，Nguyen，DK，Lesage，F.，Pouliot，P.，and Lima-Saad，W.-E. （2019）。 与卷积神经网络和在生物学和医学功能近红外光谱信号的计算机癫痫发作的预测，111，103355. MATLAB中CNN的实现，用于癫痫发作的预测。 描述 该实现旨在解决二进制分类问题。 它可以轻松修改以解决多类问题。 该实现解决了癫痫发作的预测； 但是，可以轻松对其进行修改以解决其他应用程序。 主要代号 MAIN_CNN_CODE.m 评论 主要代码调用子例程： Data.m （获取观察值）， SAMPLING.m （生成发作间和发作前集合），Crossvalidation.m（生成用于训练，测试和验证的集合）， parametersCNN.m

Born癫痫脑电数据库，包含五个子集，每个子集包含一百个TXT文档。