【基于深度学习的脑电图识别】TUH EEG 脑电图数据下载方法

最新推荐文章于 2025-05-01 22:37:44 发布
最新推荐文章于 2025-05-01 22:37:44 发布
阅读量3.8k 收藏 8
点赞数 1
分类专栏： 基于深度学习的脑电图识别 文章标签： 人工智能 深度学习 大数据 EEG 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_44936889/article/details/104721585
版权

TUH EEG 数据下载方法

数据集简介：

这个数据集包括超过 25000 个脑电图研究，包括一个神经学家对测试的解释，一个简短的病人病史和关于病人的人口统计信息，如性别和年龄；
在这里插入图片描述数据集详细介绍请移步我的这一篇博客：

https://blog.csdn.net/weixin_44936889/article/details/104652607

数据集地址：

https://www.isip.piconepress.com/projects/nedc/
(需要 f a n q i a n g，但我用热点也能打开）

打开后是这个样子：

了解本专栏 订阅专栏 解锁全文 超级会员免费看
【基于深度学习的脑电图识别】数据集篇：THE TUH EEG CORPUS: A Big Data Resource for Automated EEG Interpretation
梁瑛平的博客
03-04 5141
【基于机器学习的脑电图识别】数据集篇：脑电信号自动判读的大数据摘要： 摘要： 这个数据集包括超过 25000 个脑电图研究，包括一个神经学家对测试的解释，一个简短的病人病史和关于病人的人口统计信息，如性别和年龄。这是第一次有足够的数据来支持最先进的机器学习算法的应用。在这篇论文中，我们使用了3762个语料库的会话子集，展示了从原始脑电图信号数据预测脑电图的一些基本属性的初步实验结果。在闭环测试中，...
【基于深度学习的脑电图识别】使用TUH 提供的工具为 EDF 格式的脑电图数据进行标注并保存为.lbl文件
梁瑛平的博客
03-11 1794
使用TUH提供的工具为EDF脑电图数据标注并保存为.lbl文件一、程序地址（上传到百度网盘了）：二、安装python2.7：三、安装依赖库：四、程序说明：五、数据标注：六、保存标注文件： 一、程序地址（上传到百度网盘了）： 链接：https://pan.baidu.com/s/1xti7naL1kekyRwmH7lTUsw 提取码：1b5e 二、安装python2.7： 下载安装包： ...
笔记1（数据集介绍）-THE TUH EEG CORPUS: A Big Data Resource for Automated EEG Interpretation（论文）
weixin_42386003的博客
08-06 3360
摘要： 一 、论文介绍了第一个脑电图（EEG）语料库，这个语料库由25000多个脑电图组成，还有神经科医生对测试的解释、患者的简要病史以及患者的人口统计学信息，如性别和年龄等信息。这是有史以来第一次有拥有足够的数据量来支持机器学习/深度学习的算法。。 二、作者还介绍了他做的一个基本实验，使用原始的3726个会话子集来预测脑电图（EEG）的一些基本属性。 脑电图介绍： 脑电图（EEG），它是用来记录脑部活动的脑部信号的。脑电图在医学上非常重要的一个应...
TUH癫痫脑电数据集下载
AI_DOG的博客
05-22 5496
TUH癫痫脑电数据集下载 一、准备工作 1.wget安装 数据集的下载需要用到wget工具，如果是linux或者是macos操作系统可以直接下载，我这里是Windows操作系统，就需要先安装wget，首先打开 weget下载网址去下载wget，我下载的是ZIP。 下载完成后解压缩并打开文件夹，复制文件夹的所在目录。 在这里插入图片描述 接着打开环境变变量。点击path，再点编辑，点新建，然后把刚复制的wget地址粘贴进去，最后一路确定。 打开cmd，输入wget -V看有没有成功，成功的话进行下一
TUH EEG公开数据集下载方法
JY_Wang1996的博客
05-01 1058
是保存数据的目标地址，如果就用一个period，则会保存在默认的位置，我的是在：C:\Users\Username\AppData\Roaming\MobaXterm\home\ 这可能会导致C盘空间不足，数据集都挺大的，因此建议放在别的盘。如果安装完还是发现有遗漏，也可以再次运行 setup.exe 进行软件包的安装和更新，这个过程中注意 左上角选 “完整” 或 “未安装的” 才会出现未安装的包，右上角选 “保留” ，避免删除已安装的包，如下图。MobaXterm 可以直接使用 rsync。
TUH数据集下载记录
Erhu_666的博客
07-17 1116
TUH 的windows下载
EEG脑电信号数据集（附网盘下载链接)
m0_71596228的博客
07-12 2915
链接：https://pan.baidu.com/s/1b59sW6Emc7H5r92bqGnl9g。链接：https://pan.baidu.com/s/1WYQGVMjNNQqY76pQHM9QXA。链接：https://pan.baidu.com/s/1LuH4w_N69TLgAUa8NJZZhA。链接：https://pan.baidu.com/s/1h6K5nZKXRLTWyiju0O_4bw。链接：https://pan.baidu.com/s/1ynpbXjZV94reOOOw9C_NTg。
TUH EEG seizure数据集TUSZ v1.5.2和v2.0都有
bagba的知识分享库
09-21 2572
TUH EEG Seizure detection classification 数据集, TUSZ 1.5.2, 2.0 等都有.
TUH 公开EEG数据集官网给出的下载方法 PPT
最新发布
05-01
TUH公开EEG数据集是神经工程数据联盟（Neural Engineering Data Consortium）提供的一个大型脑电图（EEG）数据集，适用于研究和开发各种脑电相关的神经工程应用。该数据集包含大量的EEG记录，覆盖了多种健康状况和...
【基于深度学习的脑电图识别】应用篇：DEEP LEARNING APPROACHES FOR AUTOMATIC ANALYSIS OF EEGS
梁瑛平的博客
03-09 2930
DEEP LEARNING APPROACHES FOR AUTOMATIC ANALYSIS OF EEGS摘要：数据：时序信号的时序建模： 摘要： 在本章中，我们将讨论各种深度学习架构在自动捕获检测中的应用，研究的体系结构包括多层感知器(MLPs)、卷积神经网络(CNNs)、长短时记忆网络(LSTMs)、选通递归单元(GRUs)和残差神经网络(ResNets)； 数据库使用了 TUH-EEG ...
【基于深度学习的脑电图识别】基于大数据和混合深度学习架构的 EEG 自动分析
梁瑛平的博客
03-14 3186
Automatic analysis of EEGs using big data and hybrid deep learning architectures1. 摘要：2. 核心：3. 数据集：4. 网络结构：4.1 预处理：特征提取4.2 第一关：使用隐马尔可夫模型进行顺序解码4.3 第二关：基于深度学习的时空上下文分析结构：处理过程：训练：4.4 第三关：统计语言建模5. 实验参数及结果：...
EEG脑电数据
04-01
5类癫痫脑电数据，脑电数据是印度学家Varun Bajaj和Ram Bilas Pachori对正常人和癫痫病患者测试的数据。脑电信号数据由五个子集组成，分别为Z，O，N，F，S，每个脑电子集包含100个信道序列，每个信道持续时间为23.6秒,信号采样点是4097个数据点。
自己采集的静息态脑电eeg数据64导
02-28
64导 采样频率1000hz 静息态脑电 Ch1=Fp1,,0.1,µV Ch2=Fp2,,0.1,µV Ch3=F3,,0.1,µV Ch4=F4,,0.1,µV Ch5=C3,,0.1,µV Ch6=C4,,0.1,µV Ch7=P3,,0.1,µV Ch8=P4,,0.1,µV Ch9=O1,,0.1,µV Ch10=O2,,0.1,µV Ch11=F7,,0.1,µV Ch12=F8,,0.1,µV Ch13=T7,,0.1,µV Ch14=T8,,0.1,µV Ch15=P7,,0.1,µV Ch16=P8,,0.1,µV Ch17=Fz,,0.1,µV Ch18=Cz,,0.1,µV Ch19=Pz,,0.1,µV Ch20=EOG,,0.1,µV Ch21=FC1,,0.1,µV Ch22=FC2,,0.1,µV Ch23=CP1,,0.1,µV Ch24=CP2,,0.1,µV Ch25=FC5,,0.1,µV Ch26=FC6,,0.1,µV Ch27=CP5,,0.1,µV Ch28=CP6,,0.1,µV Ch29=FT9,,0.1,µV Ch30=FT10,,0.1,µV Ch31=TP9,,0.1,µV Ch32=TP10,,0.1,µV Ch33=F1,,0.1,µV Ch34=F2,,0.1,µV Ch35=C1,,0.1,µV Ch36=C2,,0.1,µV Ch37=P1,,0.1,µV Ch38=P2,,0.1,µV Ch39=AF3,,0.1,µV Ch40=AF4,,0.1,µV Ch41=FC3,,0.1,µV Ch42=FC4,,0.1,µV Ch43=CP3,,0.1,µV Ch44=CP4,,0.1,µV Ch45=PO3,,0.1,µV Ch46=PO4,,0.1,µV Ch47=F5,,0.1,µV Ch48=F6,,0.1,µV Ch49=C5,,0.1,µV Ch50=C6,,0.1,µV Ch51=P5,,0.1,µV Ch52=P6,,0.1,µV Ch53=AF7,,0.1,µV Ch54=AF8,,0.1,µV Ch55=FT7,,0.1,µV Ch56=FT8,,0.1,µV Ch57=TP7,,0.1,µV Ch58=TP8,,0.1,µV Ch59=PO7,,0.1,µV Ch60=PO8,,0.1,µV Ch61=Fpz,,0.1,µV Ch62=CPz,,0.1,µV Ch63=POz,,0.1,µV Ch64=Oz,,0.1,µV
TUH_EEG Seizure数据集v1.5.2和v2.0
bagba的知识分享库
09-23 1427
如果大家想要此数据集，我可以提供rsync下载地址或者网盘地址，我自己买的LA云服务器专门下载和存放数据 https://www.isip.piconepress.com/projects/tuh_eeg/downloads/ 因为租服务器也要开销，所以大家可以小小赞助一点 需要数据集的话可以发邮件给我: 13120399189 艾特 163 dot com 24h内回复。 邮件里面写清楚需要哪个 ...
脑电数据的实验范式及EEGLAB下载、安装、数据分析预处理教程
qq_23100417的博客
12-23 5001
声明：原文链接：https://blog.csdn.net/weixin_40521823/article/details/83270065 https://blog.csdn.net/weixin_42810315/article/details/100548378 实验范式可以采用E-Prime来设计，注意需要给事件打标签mark来同步脑电和E-Prime软件 E-Prime实验范式设计...
DREAMER 脑电数据集 下载方式
Gigavision的博客
09-19 1296
DREAMER 脑电数据集 下载方式
笔记3（总结）-THE TUH EEG CORPUS: A Big Data Resource for Automated EEG Interpretation（论文）
weixin_42386003的博客
08-09 900
总结： 本文介绍了TUH EEG Corpus这个数据集，它由14000多名患者的25000多个EEG会话组成。包括丰富的元数据库、患者历史和医生的解释。它是大规模机器学习实验的理想选择。预计它将对自动解释eeg的临床工具的发展产生重大影响。 初步试验表明在3762个实验语料库上，使用无监督和部分监督的学习技术可以直接从数据中预测一些注释。比如基于HMM的系统能够成功地检测SPSW、GPED和PLED事件。检测率为76%，虚警率为12%。背景和伪影建模效果...
笔记2（基础实验介绍）-THE TUH EEG CORPUS: A Big Data Resource for Automated EEG Interpretation（论文）
weixin_42386003的博客
08-09 1243
基础实验： 想对这些数据进行研究的时候，很重要的一点就是要和神经科医生反复讨论脑电图定义的事件。也就是说要深入理解EEG是如何被手动解释的，并将该过程转换为算法描述。经过多次讨论，我们将重点放在六路分类上。 （1） 棘波和/或尖波（SPSW）：癫痫患者典型的癫痫样瞬变。 （2） 周期性偏侧性癫痫样放电（PLED）：脑电图异常，由重复性的棘波或尖波放电组成，在一个半球呈局灶性或偏侧性，并以几乎固定的时间间隔复发。 （3） 广义周期性癫癎样放电（GPED）：周期性短间隔弥漫性放电、周期...
【基于深度学习的脑电图识别】数据集篇：脑电信号自动判读的大数据
脑机接口社区
11-02 4250
点击上面"脑机接口社区"关注我们更多技术干货第一时间送达本文是由CSDN用户[Memory逆光]授权分享。主要介绍了《THE TUH EEG CORPUS: A Big ...
基于EEG脑电图的癫痫深度学习
01-07
### 使用深度学习处理EEG脑电图进行癫痫检测或预测 #### 方法概述 对于EEG脑电图的癫痫检测或预测，采用深度学习技术能够显著提升准确性并减少手动特征工程的工作量。通过构建卷积神经网络(CNNs)，循环神经网络(RNNs)及其变体如长短时记忆(LSTM)单元，以及混合架构，可以有效地捕捉时间序列中的复杂模式。 #### 数据预处理 在应用任何机器学习算法之前，数据的质量至关重要。通常情况下，原始EEG记录会经历一系列清理过程以去除噪声和其他伪影[^3]。这包括但不限于： - **滤波**：移除不需要频率范围内的信号成分。 - **重采样**：调整采样率至适合后续计算的速度。 - **分割窗口化**：将连续的数据流切分为固定长度的时间片段用于训练模型。 #### 特征表示 尽管某些研究指出可以直接向深度信念网络(DBN)提供未经加工过的输入，然而多数工作还是倾向于先执行一定的转换操作来增强潜在有用的信息表达形式。例如，功率谱密度(PSD)[^2]就是一种常见的频域特性度量方式之一。 #### 架构选择与优化 针对特定应用场景挑选合适的网络拓扑结构是至关重要的一步。考虑到EEG具有高度时空关联性的特点，在此推荐几种流行的解决方案: - 卷积层配合池化机制能很好地提取局部依赖关系； - LSTM/GRU组件擅长应对长时间跨度上的动态变化规律； - 自注意力机制有助于聚焦重要时刻点而忽略无关干扰因素。 #### 实验验证 为了证明所提方案的有效性，往往需要借助公开可用的标准测试集来进行对比评估。TUH EEG Corpus就是一个很好的例子，它提供了大规模的真实世界案例供开发者们探索尝试[^1]。 ```python import numpy as np from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Conv1D, MaxPooling1D, Flatten, Dense, Dropout, LSTM def create_model(input_shape=(None, 1)): model = Sequential([ Conv1D(filters=64, kernel_size=3, activation='relu', input_shape=input_shape), MaxPooling1D(pool_size=2), LSTM(units=100, return_sequences=True), Dropout(rate=0.5), Flatten(), Dense(units=1, activation='sigmoid') ]) model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy']) return model ```
评论 6
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

BIT可达鸭

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值