CHB-MIT波士顿儿童医院癫痫EEG脑电数据处理（一）

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 os

raw = 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 os

raw = 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*1e6

np.save("data",data)

接下来就可以进入具体的研究内容了！！！