癫痫是一种常见的神经系统疾病,通常以脑细胞突然过度放电引起的短暂脑功能失常为特征。脑电图中包含大量的生理和病理信息,临床上医生通过视觉分析24小时脑电图来诊断病情。脑电图在癫痫诊断工作中的必要性以及视觉检测存在的诸多不足,促使以信号处理为基础的自动检测技术成为目前的研究热点。计算机自动检测技术最核心的任务就是利用信号处理和模式识别方法实现脑电信号的解析与判读。美国、法国和奥地利等国家已开发出在线癫痫诊断系统,并成功应用于临床,而我国相关研究还主要停留在实验室阶段。主要是由于目前癫痫脑电分析算法采用单一算法域为主,对有效病理信息的挖掘与表征程度不高,分析效果难以满足临床应用的要求,在算法稳定性、适应性和泛化性方面还存在问题。在此情况下,寻求一种高效、可靠的癫痫脑电信号分析方法就显得尤为迫切和必要。本文从癫痫脑电信号的特点入手,研究各个不同发作期脑电信号的差异性,并在此基础上提出了复合域分析算法。分别针对目前检测算法在稳定性、适应性和泛化性方面存在的问题展开深入研究,建立相应的基于复合域分析的癫痫脑电信号检测模型,探索所提算法在癫痫自动诊断中的应用。本文的主要工作及创新点如下:(1)针对癫痫放电变化引起的数据波动大、分类结果不稳定的问题,本文提出了基于小波-包络谱的癫痫脑电分析模型。该模型以双密度离散小波变换为基础,结合包络分析算法,利用算法间的优势互补揭示出更多的特征信息,提高信息特异性。在复合域的良好基础下,为了缓解算法复杂度和识别率的矛盾关系,提取几种简单统计参数描述癫痫间期和癫痫发作期脑电信号的差异,在保证特征的表征能力的同时降低了算法复杂度,避免了单域算法中特征计算负担重的问题。并且,在识别阶段利用Adaboost算法对神经网络进行集成,进一步提高了分类器的特征学习能力和结果的稳定性。模型将时频域算法和频域算法有机结合,初步探索了复合算法域在癫痫脑电信号处理中的应用,实验结果表明该算法对癫痫间期和发作期脑电信号的检测准确率为98.93%,并且和单一算法域分析方法相比结果波动性更小,识别率更加稳定。(2)针对算法对不同分类任务间切换的适应性不强的问题,本文提出基于多阶次分数阶傅立叶变换-小波包分解(Fr FT-WPT)的癫痫脑电分析模型。将分数阶傅立叶变换和小波包变换两种时频分析算法相联合,计算各子带模糊熵以定量分析复合时频算法域下脑电信号的非线性特性。为了更加充分的利用分数阶傅立叶变换分解后的信息,以及其参数可调阶数的特点,引入了多阶分数阶傅立叶变换的思想,通过对分数阶傅立叶变换聚焦程度的调节,实现对癫痫脑电信号多聚焦程度的不同信息的捕捉。考虑到不同分类任务有效的特征组合不同,在主成分分析和Kruskal-Wallis检验的基础提出了一种改进的特征选择方案,从而可以自适应的对不同分类任务进行最优表征。算法将两种时频域算法相复合,对七个常见分类任务进行测试,经多次实验表明算法对七个任务的分类正确率均可以达到99.0%以上,在不损失性能的情况下实现了对不同分类任务的切换,具有较好的适应性。(3)在前期方法的基础上,本文进一步研究了复合域分析对临床不同患者数据的识别能力与泛化能力问题,提出了基于极大模值离散小波变换-核密度估计(MODWT-KDE)的癫痫脑电分析模型,并利用多个患者的大量临床数据验证算法性能。在此算法构架下,首先采用基于最小标准差和最大互信息的方法进行导联选择,以无重叠矩形窗滑动截取脑电数据;同时引入核密度估计算法对极大模值离散小波变换分解系数进行统计分析,不仅有利于统计特征的表达,而且两种算法特性的互补也弱化了小波函数对分类性能的影响。在分类阶段,采用合成少数类过采样算法,避免了分类模型由于学习信息过于集中和单一而出现过拟合的现象,提高分类器的泛化能力。该算法结合了空域、时频域和统计域信息,在验证中表现出突出的鲁棒性,对23个受试者的平均敏感度和平均特异性分别为97.84%和99.97%,对多患者大量数据的识别仍能保持非常稳定的结果,具有较好的泛化应用潜力。综上,本论文以癫痫脑电信号为研究对象,探讨了癫痫自动检测技术中核心的癫痫脑电信号分析算法设计问题。通过对固定分类任务下算法单次识别数据间的波动问题、算法在不同分类任务间的切换与适应问题、算法对不同患者的识别与泛化问题进行了研究,探讨了复合域下的癫痫脑电信号分析方法。分别针对上述三个问题,利用复合算法域分析实现了准确、稳定的癫痫检测,本文工作可以促进癫痫自动检测技术的发展,为脑疾病诊断提供一种有效的解决方案。