简介：这份资源面向从事生物医学信号处理、机器学习与癫痫自动检测研究的学习者，围绕CHB-MIT脑电数据集提供配套的样本熵特征提取脚本，可用于发作间期与发作期EEG信号的对比分析与算法验证。压缩包共145个文件，以141个.m函数文件和4个.py脚本为主，.m文件按受试者与嵌入维度组织样本熵计算流程，.py脚本便于在Python环境中衔接处理，整体包体约159KB，轻量易取用。目前已有846人学习下载，说明其在EEG特征工程方向具有一定参考价值。读者可借助这些脚本理解样本熵在脑电非线性分析中的实现细节，快速搭建特征提取与分类实验的基线流程，并结合数据集附带的发作时间戳信息开展检测方法验证，适合作为课程设计、论文复现或算法入门的辅助材料。

1. 拿到 CHB-MIT 数据集.rar，先别急着解压

很多人第一次接触癫痫脑电研究，都是从 CHB-MIT 数据集开始的。它是一批公开的儿童癫痫患者长程头皮脑电记录，每例动辄几十小时，采样率 256 Hz，通道数 23 路，配套一份标注文件写明每次发作的起止时间。压缩包到手，第一反应往往是双击解压、打开某个 edf 文件、拖进软件看波形——然后就被几十万行数据和一堆看不懂的通道名劝退。这个标题背后真正要解决的问题不是「怎么打开」，而是「怎么把一堆原始 edf 变成能喂给模型、能复现实验、能对得上论文指标的样本集」。适合谁：做癫痫检测、异常检测、时序分类的研究生和算法工程师，以及需要快速搭一个可跑基线的手上项目。下面按我实际处理这套数据的顺序讲，从目录结构、标注解析、切片策略到训练和排错，能抄的部分直接给代码。

2. 先摸清 CHB-MIT 的目录结构与标注格式

2.1 解压后到底有哪些文件

CHB-MIT 的典型组织方式是按患者分目录，每个患者目录下若干 edf 文件，命名形如chb01_03.edf，再加一个chb01-summary.txt记录该患者的发作信息。edf 是欧洲数据格式，存的是多通道时序信号加头信息；summary 是纯文本，人写的，格式不严格统一，这是后面最大的坑之一。先别写解析代码，用几条命令把家底摸清：

# 统计患者目录数量与 edf 总数 find ./chb-mit -maxdepth 1 -type d -name 'chb*' | wc -l find ./chb-mit -name '*.edf' | wc -l # 看单个 edf 的头信息（需要 edf 读取工具，这里用 python 的 mne） python -c " import mne raw = mne.io.read_raw_edf('./chb-mit/chb01/chb01_03.edf', preload=False) print(raw.info['sfreq'], raw.ch_names) print(raw.n_times / raw.info['sfreq'] / 3600, 'hours') "

第一段命令是摸底，确认解压完整、没有嵌套压缩包。第二段用 mne 读头信息，重点看三样：采样率是否 256 Hz、通道名是否 23 路、单文件时长。CHB-MIT 里个别文件通道数会少一两路，或者采样率标注异常，这些文件在批量处理时会让你的数组维度对不上，必须提前筛出来。preload=False是关键参数，只读头不加载数据，几十 GB 的数据集也能秒回，别一上来就preload=True把内存吃满。

2.2 summary.txt 的非标准格式怎么解析

summary 文件长这样：File Name: chb01_03.edf，下面跟Seizure Start Time: 2996 seconds、Seizure End Time: 3036 seconds，一个文件可能有多次发作，也可能写Seizure 1 Start Time。不同患者、不同批次的写法有细微差别，直接按固定行号取会翻车。稳妥做法是用正则抓「文件块 + 起止时间」：

import re def parse_summary(path): with open(path, 'r', errors='ignore') as f: text = f.read() # 按 File Name 切块，每块对应一个 edf blocks = re.split(r'File Name:\s*', text)[1:] records = [] for blk in blocks: fname = blk.split('\n', 1)[0].strip() starts = re.findall(r'Seizure\s*\d*\s*Start Time:\s*(\d+)\s*seconds', blk) ends = re.findall(r'Seizure\s*\d*\s*End Time:\s*(\d+)\s*seconds', blk) for s, e in zip(starts, ends): records.append({'file': fname, 'start': int(s), 'end': int(e)}) return records recs = parse_summary('./chb-mit/chb01/chb01-summary.txt') print(len(recs), recs[:2])

逻辑说明：先按File Name:把全文切成以文件为单位的块，避免跨文件误匹配；Seizure\s*\d*\s*Start同时兼容「Seizure Start」和「Seizure 1 Start」两种写法；起止时间成对 zip，防止某文件只写了一头导致错位。参数上，时间单位统一是秒，别当成毫秒。解析完一定要打印条数和前两条人工核对，summary 里偶有笔误，比如结束时间小于开始时间，这种记录直接丢弃并在日志里记一笔，别让它污染后面的切片。

2.3 为什么不能直接整文件丢进模型

一个 edf 动辄一小时、23 通道、256 Hz，单文件就是几千万个采样点。整文件输入既不现实也没必要：发作段通常只有几十秒到几分钟，其余全是背景。常见做法是切成固定长度窗口，比如 4 秒一段（1024 点），按窗口是否与发作区间重叠打标签。这里有个选型理由要讲清：窗口太短，频域特征分辨率不够，癫痫的节律性放电看不出来；窗口太长，发作起始的定位精度下降，正负样本也更不平衡。4 秒是这套数据上被反复验证的折中，我一般先用它跑基线，再按任务调。

3. 把 edf 切成可训练的样本：窗口、标签与通道选择

3.1 用 mne 批量读取并切窗的最小实现

import numpy as np import mne def load_and_window(edf_path, recs, win_sec=4, sfreq=256): raw = mne.io.read_raw_edf(edf_path, preload=True, verbose='ERROR') raw.pick_types(eeg=True) # 只保留脑电通道 data = raw.get_data() # shape: (n_ch, n_times) data = data - data.mean(axis=1, keepdims=True) # 逐通道去直流 win = int(win_sec * sfreq) n = data.shape[1] // win segs, labels = [], [] file_recs = [r for r in recs if r['file'] == edf_path.split('/')[-1]] for i in range(n): seg = data[:, i*win:(i+1)*win] t0, t1 = i*win_sec, (i+1)*win_sec # 窗口与任一发作区间有交集即标为正 y = int(any(not (t1 <= r['start'] or t0 >= r['end']) for r in file_recs)) segs.append(seg) labels.append(y) return np.stack(segs), np.array(labels)

逻辑说明：pick_types(eeg=True)过滤掉非脑电通道，CHB-MIT 里混有心电、肌电等辅助通道，不筛会让特征维度飘。逐通道减均值是去直流漂移，脑电的直流分量对分类没意义还占动态范围。切窗用整除，尾部不足一窗的丢弃，别补零，补零会在频域引入假边沿。标签用区间交集判断，注意条件是「不满足完全在发作前或完全在发作后」，等价于有重叠。参数win_sec和sfreq要和实际头信息一致，读之前先断言raw.info['sfreq'] == sfreq，不一致就重采样或跳过。

3.2 通道选择与重参考的三个必调参数

23 路通道不是全都有用，颞叶癫痫的重点通道和额叶不一样，但做通用基线时我一般保留全部脑电通道，让模型自己学权重。真正要调的是这三个：

滤波放在切窗之前做，整段滤完再切，避免窗口边界效应。用 mne 的filter时picks='eeg'，verbose='ERROR'压日志。这三个参数一变，同一份数据的准确率能差好几个点，所以论文复现时先确认对方用了哪套，别拿自己的预处理去对别人的指标然后怀疑人生。

3.3 正负样本不平衡怎么处理才不虚高

发作窗口占比通常不到 5%，直接训练模型会全预测为负还拿到 95% 准确率，这是这套数据上最常见的自欺。我的做法是训练集按患者分层、对正样本做窗口级过采样，验证集保持原始分布，指标看敏感度和每患者召回，不看总准确率。另一个细节：同一患者的相邻窗口高度相关，随机划分会让验证集泄漏训练信息，必须按文件或按时间段划分，同一文件的窗口只能进一个集合。这条不做，离线指标再漂亮，换一批数据就原形毕露。

4. 训练一个能跑通的基线并读懂它的输出

4.1 特征工程还是端到端，先选一条路

新手容易纠结用 CNN 端到端还是手工特征加树模型。我的建议是先手工特征跑通全流程，再上深度模型。理由很实在：手工特征（各通道各频段功率、过零率、峰峰值）可解释、训练快、出问题能定位到具体特征；端到端模型调参空间大，一开始就上，指标不动时你分不清是数据错、标签错还是模型错。下面是一个最小特征提取，用 scipy 的 Welch 算频段功率：

from scipy.signal import welch def band_power(seg, sfreq=256, bands=((0.5,4),(4,8),(8,13),(13,30))): freqs, psd = welch(seg, fs=sfreq, nperseg=min(256, seg.shape[-1]), axis=-1) feats = [] for lo, hi in bands: idx = (freqs >= lo) & (freqs < hi) feats.append(psd[:, idx].mean(axis=-1)) return np.concatenate(feats) # 每通道 4 个频段功率 # 对每个窗口的每个通道提取后拼接，得到定长特征向量

nperseg取 256 对应 1 秒分辨率，窗口 4 秒时频率分辨率约 0.25 Hz，够分 δ/θ/α/β 四个频段。axis=-1保证对时间轴做谱估计，通道维度保留。提取完把特征和标签存成 npz，训练时直接加载，别每次重算，这套数据全量提特征也要跑一阵。

4.2 用逻辑回归或轻量 GBDT 验证流程是否通

特征有了，先上逻辑回归看流程通不通，再换梯度提升树看上限。评估必须按患者分组，用 GroupKFold，组是患者编号。如果分组后指标断崖式下跌，说明模型学的是患者个体特征而非发作模式，这在跨患者场景是常态，别慌，这正是要解决的问题。基线跑通的标准是：训练集能拟合、验证集敏感度明显高于随机、每患者召回有分布而不是全零。达到这三条，再谈换模型。

4.3 指标怎么读才不被平均数骗

报告敏感度和特异度时，同时给每患者的召回分布（中位数和最小值）。平均值好看但某个患者全漏，临床上就是不可用。另外发作检测有事件级和窗口级两种口径：窗口级算每个 4 秒窗，事件级要求连续多个正窗才算检出一次发作，后者更贴近实际。论文里不写清口径的指标没法比，自己实验时两个都记，报告时注明。

5. 处理 CHB-MIT 时最容易翻车的几个地方

5.1 现象：读 edf 报通道数不一致，数组拼接崩了

原因：个别文件通道数少于 23，或通道名大小写、空格不统一，pick_types后维度变化。解决：批量读取时先收集每个文件的通道名集合，取交集作为统一通道集，读取后按固定顺序重排，缺的通道补零并打标记，别直接 stack。

5.2 现象：summary 解析出的发作时间和波形对不上

原因：summary 里的时间是相对文件起点的秒数，但有人误当成绝对时间；或者文件本身有截断，实际时长小于标注结束时间。解决：解析后断言end <= 文件时长，超出的截断到文件末尾并记日志；抽几个文件把发作段画出来人工看一眼，波形上应有明显节律性高幅放电，对不上就回头查解析。

5.3 现象：离线指标很高，换患者就崩

原因：随机划分导致同患者窗口泄漏，模型记住了个体。解决：严格按患者分组划分，训练集和测试集患者不重叠；如果做的是患者内检测，就在报告里写清，别和跨患者结果混为一谈。

5.4 现象：训练 loss 正常但验证敏感度一直是零

原因：正样本过采样后仍被大量负样本淹没，或者标签交集判断写反。解决：先打印正负样本比例和几个正窗口的波形确认标签没错；再用加权损失或分层采样；最后检查验证集是否真的含正样本，别切出一个全负的验证集还在那调模型。

5.5 现象：换台机器结果复现不了

原因：滤波、重采样、随机划分的种子没固定，或者 mne 版本差异导致默认参数不同。解决：所有随机过程设种子，预处理参数写进配置文件随实验存档，记录库版本；关键步骤输出中间结果的校验和，换环境先比对校验和再谈指标。

6. 把 CHB-MIT 用出价值的几个进阶习惯

走到这一步，流程能跑通了，真正拉开差距的是几个细节习惯。第一，建立患者级的元数据表：每个患者的发作次数、总时长、通道异常情况、用药信息（如果有），训练前先看这张表，能提前发现某个患者数据质量差，避免它拉低整体指标还被误判成模型问题。第二，做消融时固定一切只动一个变量，尤其是预处理参数，滤波上限从 40 改到 30 这种小改动都要单独跑，别一次改三样然后不知道谁起作用。第三，把事件级评估写成独立脚本，输入是窗口级预测和真实区间，输出是每次发作是否被检出、误报率多少，这个脚本比模型本身更值得打磨，因为它决定了你的结论可不可信。

再给一个我常用的验证技巧：留一个患者完全不做任何训练和调参，只在最后跑一次，作为「没见过的人」的检验。如果这个患者的召回和验证集中位数差太多，说明模型对个体分布敏感，得回头做域适应或归一化。这个习惯救过我很多次，避免在验证集上反复调参调出一个过拟合的漂亮数字。

最后说句实在的，这套数据最大的门槛从来不是模型，而是预处理和评估口径的严谨。我早期图快，summary 解析没做校验，跑了两周才发现有几次发作被漏标，所有实验推倒重来，那种感觉比调不出指标难受多了。现在的习惯是：任何解析脚本先在小样本上人工核对，确认无误再全量跑；任何指标先问口径再问数值。希望帮到你。

本文还有配套的精品资源，点击获取