自從AlexNet 神經網絡問世以來，Convolutional Neural Network(CNN)是深度學習領域璀璨的明星之一。特別是Computer Vision(CV)領域。基本上CV領域的大多數的任務都是基於CNN神經網絡。 當然最近又興起了GCN。 但是從數學上講GCN是CNN的一種推廣。這個暫時不進行詳細的討論。事實上不僅僅在處理圖片這種數據需要用到CNN神經網絡。更一般的來說涉及到空間數據處理時使用CNN都是一個不錯的選擇。CNN更能夠捕捉到空間之間相互關聯的信息，在圖像上表示的是不同座標像素之間的關係。更加抽象一點的是特徵之間的關聯。因此CNN在圖像識別等領域獲得了巨大的成功。
腦電圖、腦波圖是透過醫學儀器腦電圖描記儀，將人體腦部自身產生的微弱生物電於頭皮處收集，並放大記錄而得到的曲線圖。腦電圖用於輔助診斷腦部相關疾病，但因爲其易受到干擾，且包含大量噪聲。因此對EEG數據的處理在EEG數據分析中佔有重要地位。腦電數據處理的常見方法有時頻分析、頻域分析、高階譜分析、非線性分析等方法。其中對於對於人體腦電有以下的劃分，以及各個不同頻率腦電之間的差異：
很多人對於腦電數據研究更加的側重於時序的研究， 這個也僅僅是一個研究方面。我目前主要的研究對象是患有睡眠癲癇的病人，數據是SEEG數據。
立體腦電圖(SEEG)是通過深度電極(手術植入腦組織的電極)記錄腦電圖信號。它可用於對藥物治療無反應的癲癇患者，以及可能接受腦部手術以控制癲癇發作的患者。它也可以用於研究，從大腦的特定區域收集神經數據，例如從聽覺皮層收集神經數據，用於聽覺刺激重建。這項技術在20世紀下半葉被法國巴黎聖安醫院引入癲癇患者的診斷工作中。腦內電極被放置在所需的大腦區域內，以記錄癲癇發作期間的電活動，從而有助於精確地定義“癲癇發生區”的邊界，即產生癲癇發作的大腦區域，該區域應最終通過手術切除以實現免於癲癇發作。該手術的潛在風險(不到1%)包括腦出血和感染，這可能導致永久性神經損傷或死亡。因此，立體腦電圖被保留給選定的特別複雜的癲癇病例。
利用SEEG的數據可以研究大腦的各個功能區之間的關聯程度，即癲癇對於不同的功能區的影響程度。其中SEEG數據的信號採集是由衆多的侵入式的電擊構成，其深入到了大腦內部，數量大概有100-200個。醫生會根據不同區域發生異常放電的概率大小來決定植入電極多少。對於異常放電的區域稱爲癲癇的病竈。我們要先對數據進行預處理，使得其能夠被神經網絡處理。首先這裏的每一個電極都是有物理座標的。我們可以根據座標來獲取一個一維序列，這個序列滿足以下條件：
- 序列的任意兩個相鄰的電極一定是物理位置最接近的。
- 序列的灰質和白質分開計算，最後要做一個拼接。之所以分開是考慮到癲癇有其經常發作的大腦區域。
獲取這樣序列後，我們可以對於每一個電極取一t的時間窗口。這樣我們可以構成一個矩陣，這個矩陣縱座標是電極序列，橫座標是時間。我們就可以使用CNN來進行訓練使用監督學習，我們的任務可以分爲兩個狀態：癲癇發作前的睡眠， 正常睡眠。 我們選擇睡眠是因爲睡眠的時候腦電數據比較乾淨，其他干擾較少。實驗結果如下：
最後我們的實驗取得了97.7%的成績。我們的訓練集和測試集的劃分是按照全部的7:3來劃分。因此給出任意的一個睡眠腦電片段，按照我們方法處理都有了比較高的識別率。我的代碼已經開源到了GitHub上，如果有人感興趣可以和我作進一步交流。
等相關工作發表後我會開源我的源代碼，我的Github地址是：github地址， 多謝大家的關注。