CNNs-on-CHB-MIT
本项目专注于将卷积神经网络（CNN）技术应用到CHB-MIT脑电图（EEG）数据集中，旨在预测癫痫发作。此项目作为卡梅里诺大学计算机科学本科的一项团队作业，致力于复现实证研究中的成果——Truong, Nhan Duy等人的工作：“利用颅内和头皮脑电图的卷积神经网络预测癫痫发作”，发表于《神经网络》期刊第105期（2018），页码104-111。通过本项目，我们探索了如何通过将脑电信号转换成频谱图像，并进一步采用CNN进行分析，从而实现对癫痫发作的高效预测。
项目亮点:
- 数据处理: 项目核心在于将原始EEG信号转化为视觉上更易处理的谱图形式，这一步骤对于后续的机器学习处理至关重要。
- 模型构建: 利用深度学习中的CNN架构，设计模型来识别和分类这些谱图，以区分即将发生癫痫发作的时段与非发作时段。
- 目标对齐: 直接对标科研论文的结果，试图通过工程实践验证理论的有效性，增强对癫痫预测领域的理解。
所需数据集: 本项目使用的CHB-MIT EEG数据集来源于PhysioNet平台，数据集地址：https://archive.physionet.org/pn6/chbmit/。该数据集包含了广泛且详细的EEG记录，是进行此类研究的理想选择。
注意事项: 参与者需自行下载数据集，并遵守PhysioNet的数据使用政策。由于涉及到个人健康信息，确保在处理数据时遵循相应的伦理准则及隐私保护规定。
技术栈建议:
- 编程语言：Python
- 深度学习库：TensorFlow或PyTorch
- 数据预处理工具：Matplotlib, NumPy, SciPy等
贡献指南: 欢迎有兴趣的研究者和学生参与贡献，无论是代码优化、错误修正还是功能扩展，共同推动这一重要医疗应用领域的发展。
加入我们，共同探索如何利用现代AI技术改善医疗诊断，特别是癫痫这一复杂疾病的预测准确性。