基于频谱图与CNN的癫痫预测：模型准确率偏低及跨患者频谱图差异问题咨询

咱们先拆解下你当前的处理流程，看看哪些环节可能出了问题，再聊聊怎么解决患者间频谱图差异大的问题，以及小样本下准确率偏低的情况：

一、当前处理流程的潜在问题 #

1. 滤波环节的不一致性 #

• 你用signal.lfilter处理带阻和高通滤波，但低通滤波用了signal.filtfilt——前者是单向滤波会引入相位偏移，后者是双向滤波无相位偏移，这会让不同频段的信号相位处理不一致，反而可能加剧患者间频谱图的差异。
• 带阻滤波针对50Hz和100Hz工频干扰，但如果部分患者数据的工频不是这个范围（比如有些地区是60Hz），滤波效果会打折扣；另外，连续两次带阻滤波后直接高通，没有考虑信号的衰减问题，可能导致有效信号被过度削弱。

2. 频谱图的归一化缺失 #

• 你注释掉了normalize_color，意味着每个频谱图都是用自身的min/max做颜色映射，不同患者的信号强度天生存在差异，这会直接导致频谱图视觉上差异极大，模型很难学习到跨患者的通用癫痫发作特征。
• nanpow2db把0值转成nan，但后续plt.pcolormesh处理nan时会出现色块缺失，破坏输入的一致性，影响模型训练。

3. 小样本下的模型适配问题 #

• 仅5例患者数据，CNN很容易过拟合到单个患者的独特特征，而不是癫痫发作的通用特征，65%的准确率大概率是模型在“记住”部分患者的模式，而不是真正具备泛化能力。

二、具体优化方案 #

1. 统一滤波处理逻辑 #

把所有滤波操作都换成filtfilt，保证信号相位一致，避免额外的差异引入：

def butter_highpass_filter(data, cutoff, fs, order=5):
    nyq = 0.5 * fs
    normal_cutoff = cutoff / nyq
    b, a = signal.butter(order, normal_cutoff, btype='high', analog=False)
    y = signal.filtfilt(b, a, data)  # 替换为双向滤波，消除相位偏移
    return y

def butter_bandstop_filter(data, lowcut, highcut, fs, order):
    nyq = 0.5 * fs
    low = lowcut / nyq
    high = highcut / nyq
    i, u = signal.butter(order, [low, high], btype='bandstop')
    y = signal.filtfilt(i, u, data)  # 替换为双向滤波
    return y

另外，调整滤波顺序：先做高通滤波（过滤低频噪声），再做带阻滤波（去除工频干扰），能减少高频噪声对带阻滤波的影响。如果发现工频干扰依然明显，可以考虑用signal.iirnotch实现更精准的陷波滤波。

2. 标准化频谱图，消除患者间差异 #

• 全局归一化：不要每个窗口单独归一化，先统计所有训练数据（所有患者）的频谱图dB值的均值和标准差，然后对每个窗口做标准化：(Sxx - global_mean) / global_std，或者把所有dB值压缩到固定范围（比如[-1, 1]），强制统一不同患者的频谱图尺度。
• 处理nan值：不要直接留空，用周围值填充或全局均值替换，保证输入完整性：

def nanpow2db(y):
    y = np.asarray(y).astype(float)
    y[y == 0] = np.nan
    ydB = 10 * np.log10(y)
    # 用全局均值填充nan，避免色块缺失
    ydB = np.nan_to_num(ydB, nan=np.nanmean(ydB))
    return ydB

• 固定频谱图尺寸：比如只保留0-100Hz的频率范围（癫痫相关脑电信号主要集中在此），时间轴固定为4秒对应的长度，确保所有输入到CNN的图像尺寸完全一致。

3. 针对小样本的模型调整 #

• 数据增强：对频谱图做随机水平翻转、小角度旋转、轻微噪声注入、时间/频率轴的细微拉伸，增加样本多样性，缓解过拟合。
• 迁移学习：用预训练的CNN（比如ResNet、VGG）做特征提取，仅训练最后几层分类头，利用预训练模型的通用视觉特征，减少对小样本的依赖。
• 留一患者交叉验证：不要用随机划分训练测试集，采用留一患者交叉验证（LOPO），即每次用4例患者训练，1例患者测试，这样能更准确评估模型的跨患者泛化能力，避免模型只记住某个患者的特征。

4. 要不要增加更多滤波？ #

不需要盲目加滤波，先把现有滤波的一致性和归一化做好。如果做完上述优化后，频谱图仍有明显噪声（比如肌电噪声），可以考虑增加一个100Hz的低通滤波，过滤高频噪声；或者根据具体噪声来源，针对性添加滤波。

内容的提问来源于stack exchange，提问作者Sensei Munk