简介：一套基于一维卷积神经网络（1DCNN）的脑电信号（EEG）处理与癫痫检测项目，适合从事脑电分类、癫痫发作检测的算法学习者和研究人员。资源压缩包内共1个文件，为Python脚本，整体包体仅2KB，轻量精简，可快速下载并直接阅读。代码围绕原始时间序列脑电信号展开，涵盖噪声去除与标准化等预处理、一维卷积与池化层的模型构建、损失函数与优化器设定、训练及评估流程，利用卷积核沿时间轴滑动提取局部特征，用于识别癫痫发作的异常波动模式。这份脚本可作为深度学习应用于神经信号分析的入门实现，也可作为后续扩展与对比的基线。目前已有720人学习下载，适合需要以最小代码量理解1DCNN核心流程的读者。
1. 一维卷积网络啃原始 EEG：为什么癫痫检测不绕道特征工程
做过脑电信号处理的人都知道，癫痫发作检测最磨人的地方不是模型选型，而是特征工程那套流程——小波变换、功率谱密度、Hjorth 参数，每一层都要调参，每一层都在消耗时间。1DCNNforRawTimeSeries 这个项目反着来：把原始脑电时间序列直接喂给一维卷积神经网络，让卷积核沿着时间轴自己学特征，从 Delta、Theta 波段到棘波、尖慢复合波这些癫痫发作的特异性模式，全部交给网络自动提取。这个思路对从事脑电分类、癫痫发作检测的算法工程师和科研人员很有价值，它省掉了手工特征这套最容易翻车的中间环节，让我能从原始采样点一路训到端到端的分类器。本文就是这个项目的完整拆解笔记，从数据预处理、网络结构、训练评估到避坑和验证全流程展开。
2. 原始时间序列进网络前的三刀：去噪、标准化与滑窗分段
2.1 为什么 1D CNN 可以直接吃原始信号
很多人在接触 1D CNN 时会问一个很实际的问题：原始 EEG 信号采样率动辄 256Hz、512Hz，直接喂给网络，卷积层能学到东西吗？答案是可以，但前提是数据本身要干净。1D CNN 之所以能跳过手工特征，是因为它的卷积核天然就是一个可学习的特征提取器——一个长度为 32 的卷积核在时间轴上滑动，本质上等价于一个有限冲激响应滤波器，不同卷积核可以学习到不同频段的响应模式。更关键的是，多层卷积叠加之后，浅层学到的是瞬态波形，深层学到的是时序组合模式，这正好匹配癫痫发作的层次化特征。
但这里有个边界条件：卷积核能学特征，不代表它有能力对抗坏数据。基线漂移、工频干扰、肌电伪迹这些噪声如果原样进网络，卷积核要花很大一部分容量去拟合噪声模式。所以，原始信号直接进模型，指的是不做复杂的特征工程，而不是不做基础的信号预处理。
2.2 预处理流水线的三步操作
项目中处理 EEG 的常见做法是先走一个三步骤的预处理流水线：带通滤波、标准化、滑窗分段。带通滤波用 scipy 的 butterworth 设计一个 0.5Hz 到 40Hz 的带通滤波器，这个频段覆盖了 EEG 的主要节律波和癫痫特征波；标准化用 z-score 逐通道处理，把不同受试者、不同电极的幅值差异拉齐；分段则用固定长度的滑窗把长序列切成样本。
import numpy as np from scipy.signal import butter, filtfilt def preprocess_eeg(raw, fs, lowcut=0.5, highcut=40.0, window_sec=2.0): # 带通滤波：去掉基线漂移和部分高频肌电噪声 b, a = butter(4, [lowcut, highcut], btype='bandpass', fs=fs) filtered = filtfilt(b, a, raw, axis=-1) # 逐通道 z-score 标准化：消除通道间的幅值差异 mean = np.mean(filtered, axis=-1, keepdims=True) std = np.std(filtered, axis=-1, keepdims=True) normalized = (filtered - mean) / (std + 1e-6) # 滑窗分段：切成 (样本数, 通道数, 窗口长度) 的张量 window_len = int(window_sec * fs) n_windows = normalized.shape[-1] // window_len segments = normalized[:, :n_windows * window_len] segments = segments.reshape(segments.shape[0], n_windows, window_len) segments = segments.transpose(1, 0, 2) return segments这段代码是 1DCNNforRawTimeSeries.py 里最核心的预处理逻辑的通用实现。三个参数值得留意：滤波阶数设成 4 是为了平衡过渡带陡峭度和相位失真，filtfilt 做零相位滤波避免波形偏移；z-score 中的 1e-6 是防除零的保护项，在处理某些该通道信号全为零的坏导时尤其重要；window_sec 设为 2 秒是经验值，既能覆盖数次棘波放电的完整形态，又不会让单样本过长导致训练时内存爆炸。如果你的任务是在线实时检测，滑窗需要改成步进式滑窗——每次向前移动 0.5 秒，而不是不重叠地切段，否则会有信息断层。
2.3 数据划分必须按受试者切
预处理做完之后，有一个比模型结构更容易让结果虚高的步骤——数据划分。很多初学者把同一受试者的脑电随机切成样本，然后按 8:2 划分训练集和测试集，这样做的结果是测试集里混着训练集中同一时段的信号片段，模型记住的是样本本身而不是癫痫模式，测试准确率能冲到 99% 以上，但一遇到新患者立刻崩盘。
正确做法是按受试者分组划分：训练集包含一拨患者的全部样本，验证集和测试集分别包含完全独立的患者。这样才能真实模拟临床场景——模型在没见过的人身上做发作检测。对癫痫检测，数据泄漏是最致命的错误，后面避坑章会展开讲。预处理到这一步，数据已经是可以直接进 1D CNN 的形状了：每个样本是（通道数，时间步长）的二维矩阵，多个通道相当于多个输入通道。
3. 1D CNN 结构设计与关键参数：从感受野到类别权重
3.1 网络骨架：卷积块堆叠加一个分类头
1D CNN 处理脑电的经典结构是三到四个 Conv1D 块加一个全局池化加全连接分类头。每个 Conv1D 块由一维卷积、批归一化、激活函数和最大池化组成。第一层的卷积核长度通常设大一点（比如 kernel_size=32），因为原始采样点上单个时间点没有语义信息，相邻 32 个采样点（约 125ms）才能构成一个有意义的波形片段；后续层卷积核长度逐步缩小到 16、8，对应提取更大时间跨度的组合特征。
通道数则从 64 开始逐层翻倍到 128、256，这个设计哲学是：浅层学到的低频特征空间不需要太多滤波器，深层需要更多滤波器来捕捉复杂的时序组合模式。池化层用 MaxPooling1D 且池化大小为 2，每经过一层池化，时间分辨率减半，感受野翻倍。项目里如果序列长度输入是 512（2 秒乘 256Hz），经过三层池化后长度变为 64，再经过一层全局平均池化变成 256 维向量，送入分类头。
from tensorflow.keras import layers, models def build_1dcnn(num_channels, input_len, num_classes=2): inputs = layers.Input(shape=(num_channels, input_len)) x = layers.Permute((2, 1))(inputs) # 转成 (时间步, 通道数)，Conv1D 默认在最后维做卷积 x = layers.Conv1D(filters=64, kernel_size=32, strides=1, padding='same')(x) x = layers.BatchNormalization()(x) x = layers.ReLU()(x) x = layers.MaxPooling1D(pool_size=2)(x) x = layers.Conv1D(filters=128, kernel_size=16, padding='same')(x) x = layers.BatchNormalization()(x) x = layers.ReLU()(x) x = layers.MaxPooling1D(pool_size=2)(x) x = layers.Conv1D(filters=256, kernel_size=8, padding='same')(x) x = layers.BatchNormalization()(x) x = layers.ReLU()(x) x = layers.GlobalAveragePooling1D()(x) # 全局平均池化替代 Flatten，降低过拟合风险 x = layers.Dropout(0.5)(x) outputs = layers.Dense(num_classes, activation='softmax')(x) model = models.Model(inputs, outputs) return model这个网络骨架有两个容易被忽略的细节。第一个是 Permute 层：Conv1D 在 Keras 中默认卷积维度是最后一个维度，输入原始数据形状是（通道数, 时间步），如果不转置，卷积核会在通道维度上滑动，这是初学时最典型的翻车点。把数据变成（时间步, 通道数）后，每个卷积核处理的是「同一时刻的所有通道」，这类似于多导联 EEG 的同步视图，符合脑电信号的空间-时间联合分析需求。第二个是 Dropout 放在全局池化之后而不是每个卷积块里，因为卷积层自身有参数共享的正则化效果，Dropout 主要用来压制全连接层的过拟合。
3.2 损失函数与类别权重：样本不平衡的第一次博弈
癫痫发作检测天然面临着样本严重不平衡的问题：一个患者 24 小时的脑电记录中，发作期可能只有几分钟，发作片段占比不到 2%。直接用标准的交叉熵损失函数训练，模型会把所有样本都预测为非发作，因为这样已经能达到 98% 的准确率。
常见的解决方案有两种，一种是在损失函数中给少数类加权重，另一种是过采样发作片段。实践中我会选择加权交叉熵——过采样会让模型反复看同样的发作片段，容易过拟合到个别患者的特定发作模式上，而类别权重则是从梯度层面直接改变模型对少数类的关注度。类别权重在 Keras 中通过 class_weight 参数实现：给发作类一个较高的权重（通常是多数类与少数类样本数的比值），让模型在预测发作类错误时承受更大的损失惩罚。
from sklearn.utils.class_weight import compute_class_weight labels = np.argmax(y_train, axis=1) weights = compute_class_weight('balanced', classes=np.unique(labels), y=labels) class_weight = dict(zip(np.unique(labels), weights)) print('类别权重:', class_weight) model.compile( optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'] ) model.fit(x_train, y_train, validation_data=(x_val, y_val), batch_size=64, epochs=50, class_weight=class_weight)compute_class_weight 的 'balanced' 模式会自动计算权重：权重 = 总样本数 /（类别数 × 该类别样本数）。比如非发作样本 980 个，发作样本 20 个，那么非发作权重约 0.51，发作权重约 25.5。这个 50 倍的差距会让模型在训练过程中把梯度重心放在发作样本上。但权重也不是越大越好——权重过大，模型会走向另一个极端，把大量非发作误报为发作，临床检测中误报过多同样不可接受。一般我会在 'balanced' 基础上再乘一个 0.5～1.0 的缩放系数，用验证集的表现来微调。
3.3 先跑通再调优：小模型的实用主义路线
很多人在搭 1D CNN 时容易一上来就堆层数，觉得网络越深效果越好。在脑电这类样本量通常只有几千到几万条的任务上，这种做法会很快过拟合。我的习惯是先按上面这个结构跑通全流程，确认数据管道、训练逻辑、评估流程都没有问题，然后才根据验证集的表现逐步调整：如果欠拟合就加深卷积层数或者增大滤波器数量；如果过拟合就加大 Dropout 到 0.6，或者减少卷积块到两层。先通后优，用验证集指标说话，而不是凭直觉堆参数。
4. 训练与评估：癫痫检测不看准确率，看敏感度和特异性
4.1 训练策略：早停、学习率衰减和模型保存
1D CNN 在这个任务上训练目标相对单一，重点是控制好两个行为：过拟合和训练震荡。过拟合用早停机制控制——监控验证集 loss，连续 10 个 epoch 不下降就停止训练，并恢复最佳模型权重；训练震荡用学习率衰减控制——初始学习率设 0.001，每 5 个 epoch 乘以 0.6，让模型在训练后期做精细收敛。
from tensorflow.keras.callbacks import EarlyStopping, ReduceLROnPlateau, ModelCheckpoint callbacks = [ EarlyStopping(monitor='val_loss', patience=10, restore_best_weights=True), ReduceLROnPlateau(monitor='val_loss', factor=0.6, patience=5, min_lr=1e-6), ModelCheckpoint('best_model.keras', monitor='val_loss', save_best_only=True) ] history = model.fit( x_train, y_train, validation_data=(x_val, y_val), batch_size=64, epochs=100, callbacks=callbacks, class_weight=class_weight, verbose=1 )batch_size=64 是折中值：太小梯度震荡剧烈，56Hz 采样率这种维度下、batch 太大又容易跳过一些稀疏的发作样本的最优点，64 在绝大多数脑电数据集上表现稳定。epochs 设 100 但实际基本跑不到——早停会把训练截断在 30 到 50 轮之间。restore_best_weights=True 很重要，它保证保存的是验证集上表现最优的一版权重，而不是最后一轮可能已经过拟合的权重。癫痫检测这种任务上，模型权重的一点点差异会直接体现在后续的敏感度指标上，这个小细节能让模型的泛化表现稳定不少。
4.2 评估指标：为什么准确率在这里没有意义
在癫痫检测这种极不平衡分类任务上，只用准确率评估模型是一个极其容易误导决策的错误。一个把所有样本都预测为非发作的模型，准确率可以高达 98%，但敏感度（Se，也叫召回率）是 0——没有检测到任何一次发作。所以评估必须同时看敏感度、特异性（Sp）和它们的综合指标。
对临床检测场景，敏感度的优先级高于特异性——漏掉一次发作的代价远高于一次误报。项目评估代码里最值得注意的部分是用预测概率计算 AUC 和画 ROC 曲线：AUC 不依赖阈值选择，衡量的是模型把发作样本排到非发作样本前面的能力；而敏感度和特异性则基于默认阈值 0.5，反映的是在固定决策点上的表现。
from sklearn.metrics import classification_report, roc_auc_score, roc_curve y_pred_proba = model.predict(x_test) y_pred = np.argmax(y_pred_proba, axis=1) y_true = np.argmax(y_test, axis=1) # 多分类时取发作类别的概率作为正类概率 pos_idx = 1 auc = roc_auc_score(y_true, y_pred_proba[:, pos_idx]) # 在多个阈值下观察敏感度与特异性 fpr, tpr, thresholds = roc_curve(y_true, y_pred_proba[:, pos_idx]) print(f'AUC: {auc:.4f}') print(classification_report(y_true, y_pred, target_names=['non_seizure', 'seizure']))用 classification_report 输出每类别的精确率、召回率和 F1，结合 AUC 一起看。如果 AUC 很高（0.95 以上）但默认阈值下的召回率很低，说明模型输出的概率分布整体偏移——可以通过阈值搜索找到更合适的决策点，而不是直接认为模型不行。有一种常见做法是计算约登指数（Youden's J = 敏感度 + 特异性 - 1）自动选择最优阈值，在临床检测场景很实用。用这个阈值替代默认的 0.5，可以在保证特异性不过低的前提下最大化敏感度。
4.3 混淆矩阵逐类诊断错误模式
评估环节我有一个固定动作：把测试集所有预测错误的样本按错误类型分组，逐段回看原始脑电波形。这个动作排查掉了很多模型本身没问题、但数据或标签有问题的「隐性 bug」。比如把发作前的脑电片段错分成发作，先别急着调模型——先看这段信号的原始波形和标签：如果医生标注时把发作起始点标晚了，而模型在发作起始前已经捕捉到了异常放电，这实际上是模型比标签更灵敏，不该被当作错误来优化。
from sklearn.metrics import confusion_matrix import matplotlib.pyplot as plt import seaborn as sns cm = confusion_matrix(y_true, y_pred) sns.heatmap(cm, annot=True, fmt='d', cmap='Blues', xticklabels=['non_seizure', 'seizure'], yticklabels=['non_seizure', 'seizure']) plt.xlabel('Predicted') plt.ylabel('True') plt.show()混淆矩阵的四个格子，我最关注的是假阴性（真实发作被预测为非发作）这一格——这一格是模型在真实场景里的致命弱点。每个假阴性样本都要单独提取出来看：是发作波形太短，卷积层没能捕捉到完整的棘波序列？还是发作波形幅值太弱，被标准化后淹没在背景信号里？这两种情况的解决办法截然不同，前者需要缩小卷积核长度或减小池化步长，后者需要调整预处理标准化策略。这个环节的复查习惯，帮我避开了不下十个「指标看着不错但落地即翻车」的模型版本。
5. 癫痫检测避坑记录：数据泄漏、瞬时波形丢失与标签错位
5.1 数据泄漏：按受试者切分被随机切分替代
现象：模型在测试集上准确率高达 99.5%，AUC 0.99，看起来一切完美。但把模型部署到新患者的脑电数据上时，检测效果大幅下滑，敏感度只有 60% 左右，完全不可用。
原因：训练时把同一个受试者的脑电数据随机切分成样本，然后按比例划分训练集、验证集和测试集。由于同一位受试者的相邻脑电片段高度相似，测试集中混有和训练样本几乎同源的片段，模型实际上是在「背题」而不是在学癫痫发作的通用模式。这是脑电深度学习中最常见、也最具欺骗性的一个错误，因为训练指标异常的漂亮，让后续诊断变得更加困难。
解决：数据划分必须在采集层面按受试者分组。把所有患者的 ID 先切成训练患者集合和测试患者集合，再在这些集合内部做滑窗分段。代码上用一个简单的逻辑强制隔离：按患者 ID 分组后用 GroupShuffleSplit 或者在拼接数据之前就先切分索引。从那以后我每次做数据集划分，都会先打印训练集和测试集的受试者 ID 列表确认交集为空，再开始训练。
5.2 类不平衡导致准确率虚假繁荣
现象：训练过程中准确率稳步上升最终停在 98%，但打印出分类报告后发现，发作类别的召回率是 0，模型把所有样本都预测成了非发作。
原因：发作样本占比太小，常规交叉熵损失函数下非发作样本的梯度贡献完全淹没了发作样本。模型只需要把所有样本都预测成多数类，就能把损失降到足够低，根本没有动力去学习发作模式。
解决：用类权重或过采样重新平衡训练。推荐 class_weight='balanced' 自动计算权重，简单有效。权重设置时注意验证集的评估标尺要保持真实分布，不能把验证集也改成平衡的——因为真实场景中发作就是少数，评估必须反映实际部署条件。
5.3 卷积核长度过大把棘波瞬态波形磨平
现象：模型在验证集上的 AUC 只有 0.82，而且反复调试网络深度、滤波器数量都无法提升。回看波形时发现，模型把整个发作过程都「糊」成了一段平滑的曲线。
原因：第一层卷积核设了 128，对应 0.5 秒的时间跨度，而典型的癫痫棘波持续时间只有 20～70ms，单个尖慢复合波约 200～500ms。卷积核太大，等价于在时间轴上做了强低通滤波，瞬态特征在第一个卷积层就被抹掉了，深层网络想学也学不到。
解决：把第一层卷积核长度降到 16～32 之间，对应 60～125ms，能保留棘波和尖波的瞬态形态。从第一层开始就捕捉这些短时特征，后续层再逐渐拉大卷积核长度去学习发作的连续演变模式。检查方法也很简单：把第一层卷积核的权重可视化，如果看到的是类似平滑滤波的响应，说明卷积核偏大；如果看到陡峭的差分响应，说明卷积核工作在瞬态特征的频率区间。
5.4 标签时间段标注粗糙导致样本错位
现象：模型在发作起始时间附近的预测概率出现异常摆动，有时提前很久就输出高概率，有时发作已经开始却依然没有反应。人工对比标注数据和网络预测时，发现模型的预测边界和标注边界存在稳定偏移。
原因：脑电的癫痫发作标注是按时间段标注的，标注的起止时间通常依赖标注医师的肉眼判断，存在主观误差。更常见的情况是发作起始前的 1～2 秒内已有异常放电，但标注里没有计入，模型提前预测实际上不是错误；反过来也有标注包含了一段发作后抑制期，而这段信号的形态和发作期完全不同，导致模型学习到了混乱的目标模式。
解决：对标注做容忍窗口处理，把发作起始前 2 秒也视为正样本区间；同时对标签边界做腐蚀/膨胀处理——以手工标注为中心向两侧各扩展或收缩 1 秒，然后观察模型预测对标注修正的响应。如果模型在扩展后的区间内预测准确率更高，说明原始标注边界确实偏窄了。这个问题的核心启示是：在医疗时序任务里，不要无条件相信标签是金标准，标签噪声是误差的一部分，需要可视化复查而不是盲目调模型。
6. 验证模型到底学没学会：逐样本可视化与容忍窗口评估
6.1 类激活图：定位模型注意到的波形片段
一个在测试集上指标合格的模型，在真实场景中能不能用，我的判断依据是逐样本可视化。1D CNN 同样可以用类激活图（CAM）来回答这个问题：模型做决策时，到底在输入脑电信号的哪个时间段上下了结论？具体做法是用全局平均池化层的输出特征图，和全连接层的权重做加权求和，得到每个时间步对「发作」类别的贡献分数。
from tensorflow.keras import models as km def grad_cam_1d(model, sample, layer_name='global_average_pooling1d'): grad_model = km.Model( inputs=model.input, outputs=[model.get_layer(layer_name).output, model.output] ) with tf.GradientTape() as tape: features, pred = grad_model(sample) target = pred[0, 1] # 发作类别的预测分数 grads = tape.gradient(target, features) pooled_grads = tf.reduce_mean(grads, axis=1) cam = tf.reduce_sum(features * pooled_grads, axis=1) cam = tf.nn.relu(cam) cam /= (tf.reduce_max(cam) + 1e-8) return cam.numpy()这段代码把所有模型不可解释的黑匣子透明化了。对癫痫检测，正常的 CAM 应该集中在发作间期出现棘波的几个时间段，而不是均匀分布在整段信号上。如果 CAM 高亮区间和标注的发作区间完全错位，那不管指标多漂亮，这个模型都不可信——它学到的可能是某个特定的伪迹模式。我在实践中遇到过 CAM 集中在某单个导联上的情况，排查后是数据标准化时混进了坏导信号，这也是可视化带来的意外收获。
6.2 容忍窗口评估：贴合临床的评分方式
除了逐样本可视化，我还会用容忍窗口评估来校准模型输出。发作检测在临床上有一个特点：允许几秒的延迟或提前。传统逐样本评估把每次样本的预测独立看待，发作起始样本被判错就记错一次，但真实场景中，一次在发作后 3 秒内报警的检测完全可用。评估方式的调整能让模型真正满足临床场景的使用价值。
容忍窗口评估的做法：将连续的爆发样本合并为事件，以标注窗口为中心、定义前后各 5 秒的容忍区间，模型输出概率超过阈值进入区间，只要在该区间内检测到就记为命中一次，一个连续发作事件算一次，避免以秒为粒度的误报被高估。这个评估方法能直接反映临床监测设备的核心诉求：是否能在允许的延迟内可靠报警、误报率是否低到不干扰正常工作。项目代码中 1DCNNforRawTimeSeries.py 的主要流程跑通之后，建议固定加上这两步验证，模型距离真实应用场景的一步之遥才算真正落地。
我是一个在脑电信号处理上踩过不少坑的工程师，现在的习惯是每次训练完成之后，强制走一遍「数据划分审查 → 混淆矩阵假阴性复查 → CAM 可视化 → 容忍窗口评估」这个流程，哪怕指标再好也雷打不动。这些步骤让我避免了太多次被漂亮指标误导的教训，希望帮到你。
本文还有配套的精品资源，点击获取
