癫痫检测联邦深度学习数据集
数据来源：互联网公开数据
标签：癫痫, EEG特征, 联邦学习, 深度学习, seizure detection, 时间序列分析, 医疗健康
数据概述：
本数据集包含从多临床 EEG 记录系统中收集的全面 EEG 衍生特征，旨在开发用于癫痫检测的联邦深度学习模型。数据集包含 289,010 条记录，每条记录代表一个 EEG 信号片段，标注了时间域、频率域、小波变换、非线性、癫痫特异性以及人口统计学特征。数据来自多个医院的临床 EEG 系统，信号采集采用标准采样率和一致的预处理协议，确保数据的一致性和高质量特征提取。研究对象包括 1 至 90 岁的患者，覆盖了广泛的年龄范围。
数据用途概述：
该数据集适用于癫痫检测相关的多种研究场景，包括但不限于：
1. 开发实时癫痫检测模型，同时通过联邦学习技术确保数据隐私。
2. 研究癫痫发作的多阶段分类（如正常、发作前、发作中、发作后）。
3. 探索癫痫类型（如全面性癫痫和局灶性癫痫）的分类。
4. 进行 EEG 信号的时间域、频率域和非线性分析。
5. 支持癫痫检测算法的开发和优化，提升模型的准确性和鲁棒性。
此外，数据集还适用于教育培训，帮助研究人员和学生理解癫痫检测模型的设计与实现。
