癫痫是由许多因素引起的慢性大脑功能紊乱综合征,以大脑神经元超同步放电为特征,并具有阵发性、紧急性和临时脑功能障碍的特性。据不完全统计结果显示,全球约有0.5%-2%的人正饱受癫痫的折磨。由于癫痫是一种慢性病,并且长期反复发作,所以它不仅使病人在身体上受折磨,而且在一定程度上导致病人的精神和社会心理障碍。癫痫的发病机理十分复杂,多数情况下无法查明病因并且很难治愈。EEG信号中包含的生理和病理信息丰富,所以脑电图检测是脑部疾病诊断的一种有效方法,常为临床诊断所采用。脑电图可以将人的脑电信号以图像的形式展示出来,向医生提供真实可靠的信息,以帮助医护人员及时准确的了解病人的病情。但是癫痫脑电信号的分析通常是依靠医护人员用肉眼观看电脑图并结合多年的临床经验来做出判断,由于脑电信号复杂度较高并且持续时间较长,所以仅仅依靠医生多年的临床经验来对脑电信号进行鉴别是不现实的。因此,设计一种可以对脑电信号进行自动分类检测的系统,不仅能解放医务人员的劳动力,而且还能提供出更加准确的分析结果,从而更利于医务人员对病人进行后续的处理。由于自动发作检测系统通过减少所需观察的数据量来降低了长期监测所需的代价,所以成为了脑电检测的重要组成部分。最早得到广泛应用的技术是由Gotman提出和完善的。近几年来,癫痫脑电分类逐渐成为一个热门领域,人们不断提出一些新方法来分析脑电信号,例如Gabor变换、小波变换等。于此同时,从脑电信号中所提取出的不同特征对最终的分类结果影响也是很大的。到目前为止已有多种特征被提出,如：波动指数、相关维数、Hurst指数、最大Lyapunov指数等等。这些特征都是经常用来进行脑电分类的特征,并且都取得了不错的分类效果。在本次实验中,我们将Earth Mover’s Distance(EMD)特征从图像处理领域移植到脑电检测领域,作为一种新的分类特征来对脑电进行分类检测。Earth Mover’s Distance最早用来作为分布、标记和直方图的度量标准,是Rubner等人在20世纪末时提出的一种新的图像处理方法。EMD可简单的比作一种线性规划问题。在线性规划问题中,需要对一个具有一定限制条件的代价函数计算其最小总体代价。EMD算法的具体实现是,我们先把一个已知分布作为球形表面的突出部分,然后把另外一个分布作为球形表面的凹陷部分,而用EMD算法所得到的就是将两个分布还原成整个光滑球体所需要的最小代价。设计一个新的具有高灵敏度和低错误检测率的发作检测系统是很难的。任何一个分类系统都至少需要用三个指标对其分类性能进行评估,而其中的灵敏度和误检率一直以来就是一对矛盾,此消彼长。因此,在二者之间找到一个合适的权衡是近几年来许多研究者研究的内容。先前的工作已经提出了多种技术。本文中,我们提供一个用户可调阈值来提供一个灵敏度和可接受误检率之间的权衡。论文具体内容如下：首先介绍脑电信号的形成机理,癫痫发病时脑电的特点以及目前国内外关于癫痫脑电自动检测方法的研究现状,分析并比较各种方法的优缺点。其次,结合现有方法及特征,提出基于EMD特征的癫痫脑电自动分类新算法,结合Boosting算法分类器对脑电信号进行自动分类并分析结果,采用大量脑电数据对算法进行验证。最后,对脑电信号自动分类、癫痫脑电特征提取等问题的发展前景做进一步说明。