✨ 本团队擅长数据搜集与处理、建模仿真、程序设计、仿真代码、EI、SCI写作与指导，毕业论文、期刊论文经验交流。
✅ 专业定制毕设、代码
✅如需沟通交流，查看文章底部二维码
（1）多模态生理信号特征提取与统计优化：
基于智能手表采集的加速度（ACC）、陀螺仪（GYR）、皮肤电（EDA）和表面肌电（sEMG）四种模态信号，开展癫痫检测特征工程。时域特征包含均值、标准差、峰值因子、过零率和均方根值，共20维；频域特征通过10秒滑动窗FFT提取各频段（0.5-4Hz，4-8Hz，8-13Hz，13-30Hz）的相对功率，共16维；非线性特征包含排列熵、样本熵以及去趋势波动分析标度指数，共12维。总计提取48维候选特征。针对特征冗余，提出一种基于统计检验的两阶段特征优化方法：第一阶段使用Mann-Whitney U检验比较癫痫发作段与正常段特征差异，保留p<0.01的特征；第二阶段对剩余特征计算组内相关系数，剔除非对偶比较中一致性过高（ICC>0.9）的冗余特征，最终得到27维优化特征集。在包含23例癫痫患者、总计约800小时数据的CHB-MIT数据集上测试，优化后特征在随机森林分类器上准确率达89.7%，高于全特征集的82.1%，且模型推理时间缩短38%。
（2）基于注意力机制的多尺度卷积神经网络：
提出一种专用于多模态癫痫检测的深度学习模型。模型包含三个并行处理分支，每个分支专门处理一对模态（ACC+GYR、EDA单模态、sEMG单模态），各分支采用多尺度时间卷积，卷积核长度分别为5、15、30，对应捕捉0.5秒的快速抽搐、1.5秒的动作变化和3秒的行为模式。卷积后采用通道注意力机制（SE模块）对多尺度特征进行重标定，增强重要尺度通道的响应。三支特征通过拼接后输入双向LSTM层，以捕捉发作前后的时序依赖。最后通过全连接层和Sigmoid输出癫痫发作概率。在患者独立测试协议（留一患者验证）下，该模型灵敏度为93.2%，误报率0.22次/小时，AUC达0.961，优于单模态CNN和多模态基线模型。注意力权重的可视化表明，在全面性强直-阵挛发作前8-10秒，sEMG通道的注意力权重显著升高，证实了肌电信号在早期预警中的关键作用。
（3）MATLAB图形化癫痫检测系统开发：
为方便临床医生和患者使用，开发了一款基于MATLAB App Designer的癫痫检测系统。系统主界面分为数据加载、特征分析、实时检测和报告生成四个面板。数据加载支持EDF格式原始信号导入，自动分割窗口并以不同颜色显示ACC、GYR、EDA、sEMG波形。特征分析面板提供交互式特征选择，用户可勾选拟参与检测的特征，系统实时更新ROC曲线和性能指标。实时检测面板通过串口或TCP/IP接收智能手表数据流，每秒进行一次预测，若连续5秒检测发作概率超过0.8，则发出声光报警和紧急联系人短信（需手机端配合）。系统内部封装了训练好的注意力多尺度CNN模型，通过MATLAB的Python引擎调用。离线测试中，系统对23例患者的全程记录进行事后分析，平均检出率91.3%，报警延迟中位数7.2秒，为及时干预提供了宝贵时间。
import torch import torch.nn as nn import numpy as np # 多尺度卷积模块 class MultiScaleConv(nn.Module): def __init__(self, in_ch, out_ch, kernel_sizes=[5,15,30]): super().__init__() self.convs = nn.ModuleList([nn.Conv1d(in_ch, out_ch, k, padding=k//2) for k in kernel_sizes]) self.se = ChannelAttention(out_ch*len(kernel_sizes)) def forward(self, x): features = [torch.relu(conv(x)) for conv in self.convs] combined = torch.cat(features, dim=1) return self.se(combined) class ChannelAttention(nn.Module): def __init__(self, ch, reduction=4): super().__init__() self.fc = nn.Sequential( nn.Linear(ch, ch//reduction), nn.ReLU(), nn.Linear(ch//reduction, ch), nn.Sigmoid() ) def forward(self, x): b, c, t = x.size() y = torch.mean(x, dim=2) y = self.fc(y).view(b, c, 1) return x * y # 特征提取函数 def extract_features(epoch_data, fs=100): # epoch_data: (4, T) modal x time features = [] for i in range(4): sig = epoch_data[i] # 时域 features.append(np.mean(sig)) features.append(np.std(sig)) features.append(np.max(np.abs(sig)) / (np.sqrt(np.mean(sig**2))+1e-6)) features.append(np.sum(np.diff(np.signbit(sig)))/len(sig)) # 频域 fft_vals = np.abs(np.fft.rfft(sig)) features.append(np.sum(fft_vals[2:4])/np.sum(fft_vals)) # 0.5-4Hz # 非线性 features.append(sample_entropy(sig, 2, 0.2*np.std(sig))) return np.array(features) def sample_entropy(signal, m, r): N = len(signal) A = 0; B = 0 for i in range(N-m): for j in range(N-m): if i != j: if np.max(np.abs(signal[i:i+m]-signal[j:j+m])) < r: B += 1 if np.max(np.abs(signal[i:i+m+1]-signal[j:j+m+1])) < r: A += 1 return -np.log((A+1)/(B+1))如有问题，可以直接沟通
👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇
