4. CHB-MIT数据集深度解析

各位同学，今天我们来啃一块硬骨头——CHB-MIT数据集。这个数据集在癫痫检测领域，可以说是绕不开的标杆。我当年刚入行时，第一个接触的公开数据集就是它。说实话，第一次打开EDF文件时，我整个人是懵的。但啃下来之后，后面的路就好走多了。

4.1 数据集来源与伦理声明

CHB-MIT数据集，全称是Children's Hospital Boston-MIT EEG Database。它由波士顿儿童医院和MIT联合发布。说白了，就是医院提供数据，MIT负责整理和标注。

这个数据集收录了23位癫痫患者的EEG记录。嗯，这里要注意，是23位患者，不是22位也不是24位。我见过不少论文写错了这个数字，大家写文章时一定要核实。

伦理声明方面，数据集遵循了严格的医疗数据使用规范。所有患者信息都做了去标识化处理。你拿到的只有编号，比如chb01、chb02这样。患者姓名、具体病历等敏感信息，全部被移除了。

4.2 受试者信息与发作类型标注

我们来看看这23位患者的基本情况。我整理了一个表格，方便大家查阅。

患者编号	性别	年龄	发作类型	记录时长(小时)
chb01	女	11	局灶性发作	40.5
chb02	男	11	局灶性发作	35.2
chb03	女	14	全面性发作	38.0
...	...	...	...	...

年龄分布上，从1.5岁到22岁都有。大部分是儿童和青少年。发作类型主要分为两类：局灶性发作和全面性发作。标注文件里会明确给出每次发作的起止时间，精确到秒。

我个人习惯，拿到数据后第一件事就是看标注文件。你想想看，如果标注本身有问题，后面模型训练得再好也是白搭。我曾经在一个项目里，花了三天时间调模型，结果发现是标注文件里有一个时间戳写错了。从那以后，我每次都会先手动验证几个标注点。

4.3 EDF文件格式解析

EDF，全称European Data Format。这是欧洲标准化的生物信号存储格式。说白了，就是一种专门存生理信号的二进制文件格式。

EDF文件的结构分为两部分：

• 文件头：包含元数据信息，比如患者ID、记录日期、导联数量、采样率等
• 数据记录：实际的EEG信号数据，按时间顺序存储

文件头是固定长度的，通常是256字节。里面包含了8字节的版本号、80字节的患者信息、80字节的记录信息等。我刚开始解析时，被这些字节偏移量搞得头大。后来发现直接用MNE库就好了，没必要自己手写解析器。

4.4 使用MNE库读取与可视化EEG信号

MNE是Python生态里处理EEG数据的王牌库。我建议所有做脑电信号处理的同学，都把它装好。

读取EDF文件，只需要一行代码：

import mne

# 读取EDF文件
raw = mne.io.read_raw_edf('chb01_01.edf', preload=True)

# 查看基本信息
print(raw.info)

# 查看通道名称
print(raw.ch_names)

# 获取数据
data, times = raw[:, :]

可视化也很简单：

# 绘制原始信号
raw.plot(n_channels=10, duration=10, scalings='auto')

# 绘制功率谱密度
raw.plot_psd(fmin=0.5, fmax=50)

嗯，这里要注意。MNE默认会加载所有通道。但CHB-MIT数据集中，有些记录包含了非EEG通道，比如ECG、EOG等。我建议你只保留EEG通道，避免引入不必要的噪声。

4.5 数据集的划分策略

数据划分是模型评估的关键。在癫痫预测任务中，主要有两种划分策略。

患者内划分

简单说，就是同一个患者的数据，一部分用来训练，一部分用来测试。比如，把chb01的前70%记录作为训练集，后30%作为测试集。

这种策略的好处是，模型可以学习到该患者特有的脑电模式。缺点也很明显——换一个患者，模型可能就失效了。

患者间划分

这种策略更严格。用一部分患者的数据训练，用另一部分患者的数据测试。比如，用chb01到chb15的数据训练，用chb16到chb23的数据测试。

我个人更推荐患者间划分。为什么呢？因为这才是真正的泛化能力测试。你想想看，如果模型只能识别见过的人，那在实际临床中有什么用？

但患者间划分也有坑。不同患者的发作频率差异很大。有的患者一天发作好几次，有的患者一周才发作一次。如果不做平衡处理，模型可能会偏向于学习高频发作患者的特征。

最后，给大家画一张图，总结一下本章的核心知识体系。

好了，这一章的内容就到这里。记住，数据是深度学习的基础。把数据集吃透了，后面的模型构建才能事半功倍。