基于MATLAB胃电图信号特征提取与机器学习的胃功能辅助诊断系统

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（p<0.05）；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-CV）：14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

配套文档

点击查看：基于MATLAB胃电图信号特征提取与机器学习的胃功能辅助诊断系统 注意：免费提供！

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

联系方式

开源协议

本项目采用AGPL-3.0开源协议，允许个人和组织自由使用、修改和分发代码，但基于本项目的衍生作品必须同样开源，且用于提供网络服务时需向用户提供完整源代码。本项目仅供学习研究使用，作者不对使用本项目产生的任何后果承担责任，使用者应遵守当地法律法规，合理合法使用本项目。如本项目对您的研究或工作有所帮助，欢迎引用并注明出处。