摘要胃电图Electrogastrography, EGG作为一种无创性检查方法能够反映胃肠道的电生理活动。本研究旨在开发一套完整的胃电信号分析系统实现对胃肠道功能异常的智能检测与辅助诊断。项目概览项目简介系统采集了14名受试者包括正常人群和帕金森病患者的餐前餐后胃电信号数据每段信号采样频率为1000Hz。信号处理流程包括1预处理采用3阶巴特沃斯低通滤波器截止频率1.5Hz去除高频噪声2加窗分帧采用4分钟窗长、75%重叠率进行信号分割3频谱分析通过快速傅里叶变换FFT提取功率谱密度4特征提取计算主频率、峰值功率、频段功率比、胃功能比率等多维特征5智能分类基于4指标综合评分算法主频率、功率幅度、异常成分、餐前餐后变化实现胃功能状态的自动判别。系统采用留一法交叉验证优化小样本分类器性能。系统成功提取了28组胃电信号的多维特征包括正常波2-4 CPM、过缓波0.5-2 CPM、过速波4-9 CPM等频段的功率分布。统计分析表明正常人群餐后主频率集中在2-4 CPM范围内平均功率显著高于餐前p0.05帕金森病患者表现出明显的胃动力异常主频率偏离正常范围餐后功率增幅不足。智能分类算法的综合准确率达到85.7%能够有效识别正常胃电、胃动力不足、频率异常和混合异常等四种状态。本研究开发的胃电信号分析系统集成了信号处理、特征提取、统计分析和智能分类功能提供了一套完整的胃肠道功能评估工具。系统采用Material Design界面设计操作简便具有良好的临床应用前景。该系统可为胃肠道功能障碍的早期筛查、病情监测和疗效评估提供客观依据特别适用于帕金森病等神经系统疾病相关的胃肠道并发症评估。系统架构本系统采用模块化分层架构设计基于MATLAB R2020b平台开发整体框架分为五大核心模块数据管理模块负责28组胃电信号的加载与格式转换信号处理模块实现3阶巴特沃斯滤波截止频率1.5Hz、4分钟窗长加窗分帧75%重叠和FFT频谱分析特征提取模块计算时域平均功率、标准差、频域主频率、峰值功率和频段功率比等多维特征智能分类模块基于4指标综合评分算法主频率30分功率幅度20分异常成分20分餐前餐后变化30分实现正常胃电、胃动力不足、频率异常和混合异常四类状态的自动判别采用留一法交叉验证优化小样本分类器性能可视化模块采用Material Design设计语言构建三栏式GUI界面功能控制台-信号分析工作区-诊断结果仪表盘提供时域波形、功率谱密度、频段功率分布、胃功能比率饼图和统计对比图表的实时展示系统整体遵循”数据流驱动、模块低耦合、功能高内聚”的设计原则通过统一的数据接口和事件驱动机制实现各模块间的高效协同。图1 系统架构图技术创新创新点1基于多生理指标的综合评分分类算法提出了一种基于多生理指标的综合评分分类算法Multi-Physiological-Indicator Comprehensive Scoring Classification Algorithm该算法突破了传统机器学习方法依赖大样本训练的局限通过融合临床经验和生理规律建立了四维度量化评分体系100分制主频率评分30分评估胃慢波频率是否在正常范围2-4 CPM、功率幅度评分20分评估胃电信号强度、异常成分评分20分量化过缓波、过速波和不齐波占比、餐前餐后变化评分30分评估胃对进食的反应性根据综合得分实现正常胃电≥75分、胃动力不足55-74分、频率异常40-54分和混合异常40分四类状态的自动判别。创新点2时频域多维特征融合提取策略建立了时频域多维特征融合提取策略Time-Frequency Multi-Dimensional Feature Fusion Strategy该策略突破了以往研究主要关注单一域特征的局限系统性地构建了15维特征空间1时域统计特征**平均功率、功率标准差、峰值功率序列反映信号整体能量分布2频域特征**主频率、主频率标准差、总体主频率表征胃慢波的频率特性3频段功率特征**过缓波0.5-2 CPM、正常波2-4 CPM、过速波4-9 CPM、其他频段9-15 CPM的归一化功率比量化不同频率成分的贡献4生理比率特征**胃功能比率、餐前餐后主功率比反映胃对进食的动态响应。该策略通过多维度特征互补显著提高了胃功能状态的区分度。创新点3小样本优化的分类方法针对医学数据采集成本高、样本量有限的实际问题提出了基于留一法交叉验证的小样本优化分类方法Leave-One-Out Cross-Validation based Small-Sample Optimization Classification Method。该方法通过以下三个策略优化小样本分类性能1留一法交叉验证LOO-CV14个样本中每次留出1个作为测试集剩余13个作为训练集循环14次充分利用有限样本2综合评分机制将专家知识融入评分规则降低对训练样本的依赖3特殊人群识别针对帕金森病患者的胃动力特点设计了自适应评分调整策略提高了模型对不同人群的适应性。实验结果表明该方法在小样本情况下的泛化能力优于传统机器学习方法。快速开始克隆或下载本项目到本地后在MATLAB命令行窗口中切换到项目根目录依次执行clear all; close all; clc; rehash toolboxcache清除环境然后运行eeg_analysis_gui_main启动GUI界面选择患者如n1-n7和采集时段餐前/餐后点击”加载单个信号”按钮加载数据依次点击”第一步信号数效”、”第二步特征提取”、”第三步分类预测”完成单个信号分析或直接点击”批量处理全部数据”按钮处理所有28组数据并生成calculated_features.mat特征文件。环境要求本系统基于MATLAB R2020b开发需要Signal Processing Toolbox和Statistics and Machine Learning Toolbox支持 建议在Windows 10/11或macOS系统上运行最低内存要求4GB推荐8GB需要约200MB磁盘空间用于代码和数据存储。运行展示运行EGG_Analysis_GUI_main.m图2 系统主界面图3 n1-正常组-餐前-加载单个信号图4 n1-正常组-餐前-信号预处理图5 n1-正常组-餐前-特征提取图6 n1-正常组-餐前-分类预测图7 n1-正常组-餐前-特征分布图8 n1-正常组-餐后-加载单个信号图9 n1-正常组-餐后-信号预处理图10 n1-正常组-餐后-特征提取图11 n1-正常组-餐后-分类预测图12 n1-正常组-餐后-特征分布图13 pd7-帕金森组-餐前-加载单个信号图14 pd7-帕金森组-餐前-信号预处理图15 pd7-帕金森组-餐前-特征提取图16 pd7-帕金森组-餐前-分类预测图17 pd7-帕金森组-餐后-特征分布图18 导出分析结果图19 批量处理全部数据图20 批量处理完成图21 统计对比项目资源配套文件包括完整的项目源代码、演示视频、运行截图开箱即用。项目信息作者信息作者Bob (张家梁)项目编号A1-13-M原创声明本项目为原创作品