随着人工智能技术不断发展,传统的医疗卫生体系与人工智能技术的融合,形成现在深入人心的智慧医疗。智慧医疗具有快速准确的诊断病情特点,在诊疗类似癫痫病这种常见的脑病疾病的中发挥着重要的作用。癫痫病是由于患者大脑的异常放电所引起的,在患者的脑电信号图中表现为出现尖波、慢波、棘波、等多种癫痫病的特征波形。智慧医疗利用信号识别以及机器学习等先进技术对受试者脑电信号中所反馈的生物信息进行识别分析,并给出诊断结果。这是智慧医疗处理生物信号的主要方法。以往,医生都是利用自身的经验结合理论知识,通过观测受试者的脑电信号图来判断是否存在特征信号,以实现对病情的判断。这种通过观测诊断的方法往往会注入医生自己的主观判断,导致对病情的误诊,且诊疗效率较低。因此,实现对脑电信号的特征波自动检测、提取、识别,具有十分重要的意义。随着人工智能、信号识别等先进技术的不断发展,这就为针对脑电信号识别处理技术的实现提供了新的思路,开辟新的发展道路。本文基于癫痫脑电信号数据,实现对脑电信号的处理并且使用机器学习方法实现脑电信号的识别诊断。具体工作如下:1)对于癫痫脑电信号的波形数据判断主要通过分类、聚类等机器学习方法实现癫痫病诊断。传统的机器学习诊断方法是针对癫痫脑电信号的特征数据直接进行分类或聚类,并且将结果作为诊断依据。由于脑电信号根据特征提取方式的不同可以划分为多个视角,而以上的方法忽略了每个视角都具有不同的病理诊断价值。因此,在最终的病情诊断的准确性上没有明显的提升。为此,本文采用多视角策略分析癫痫病脑电信号,提高诊断的准确性。2)由于脑电信号具有随机性高、波幅小、易受干扰以及非平稳性等特点,本文在现有的处理生物信号技术基础上,从多个方面实现对癫痫脑电信号的处理。首先是对脑电信号进行降噪处理,这里主要通过独立分量分析算法以及小波变换算法来实现脑电信号中的去除包括眼电伪迹等其他信号脉冲的干扰。接着,利用小波变换、短时傅立叶变换以及核主成分分析对降噪后的脑电信号波进行滤波,突出信号中相应的频带特征,放大其特征波形,实现对特征波的提取。3)对于癫痫脑电信号数据的诊断采用分类和聚类的方式都可以达到最终的目的,但是,由于脑电信号数据量庞大,采用分类的方式需要耗费大量的时间成本来完成对每一条数据标注标签,这在实际的医疗诊断中是不可取的。因此,本文结合脑电信号的多视角性以及数据量庞大的特点,采用多视角聚类的分析方式实现癫痫脑电信号识别诊断。传统的多视角聚类方法在处理类似脑电信号的多视角特征数据时,它们的普遍做法就是将每一个视角视为一个单独的样本,并且对每个视角样本都进行单独的聚类分析,在得到每个视角的单独聚类分析结果以后,采用集成学习策略将这些视角的单独聚类结果集成,集成的结果就是所得到的最终结果。通过这种方式将每个视角独立分割开进行分析的多视角数据处理策略极其有可能因为某个视角下的聚类结果存在明显偏差,造成最终成学习结果不准确或者使得算法的性能不稳定。为此,本文提出加权双指数多视角聚类算法（DIC-MV-FCM）,它的多视角加权自适应策略能够有效的控制各个视角的重要性,实现了各个视角在聚类的过程中能够有效的调整权重关系,使得聚类效果和性能最好的视角的权重尽可能的大,提高聚类的性能。4)本文所提出的加权双指数多视角聚类算法实验表明,具有良好的癫痫病诊断效果,减少了诊疗时耗。同时,根据不同视角的重要性,做出相应的权重调整,更加适应实际癫痫病的诊疗判断。