癫痫是一种常见的神经疾病,是由脑部神经元的异常放电引起的。脑电图(EEG)能够记录下来这些异常电活动,已经成为发掘癫痫特征的重要工具,并被广泛应用于包括诊断、焦点定位、定性研究、癫痫发作预测和癫痫发作控制在内的癫痫研究领域。目前,癫痫的诊断主要是由有经验的医务人员对患者的脑电图记录通过视觉检查来进行的。由于长时间的脑电记录可以产生大量的脑电数据,手动检测费时费力且效率低下。同时,分析师的判断力在长时间劳动的影响下会下降,导致误诊率的增加。因此,计算机自动检测和识别癫痫脑电信号成为重要的辅助检测手段,癫痫自动检测技术的研究变得越来越重要。癫痫自动检测本质上是癫痫发作和非癫痫发作EEG信号的分类,其目的是根据癫痫发作脑电信号和正常脑电信号的不同特征来将其进行区分。通常,传统的癫痫自动检测方法存在一定的局限性。在大多数癫痫自动检测算法中,人工设计的特征提取器对算法的整体性能影响很大。同时,在许多研究中,由于EEG信号的复杂性和不同人之间的差异,需要为每个患者建立单独的模型,这意味着当处理一位新患者的数据时必须重新建立与调整模型。此外,有时患者数据可能不足以建立新的模型。为了解决这些问题,本文提出了一种结合多个迁移卷积神经网络(CNNs)和随机森林(RF)的癫痫自动检测算法,用于进行癫痫发作与非癫痫发作之间的信号分类。CNN具有从训练数据中自动学习模型参数的能力,而无需手动设计特征提取器。在我们的系统中建立了多个CNN,其中每个CNN模型都由来自训练集的一名患者的数据进行训练。对于要测试的患者,基于迁移学习方法,通过测试患者的少量数据来调整每个CNN的模型参数。每个调整后的CNN的输出结果结合形成判决向量,然后根据迁移学习数据生成的判决向量构建一个随机森林。测试数据产生的判决向量被随机森林分类以得到最终的判定类别。在由543小时的EEG信号组成的长程脑电数据集中,该算法达到了 90.22%的灵敏度,98.76%的特异性和98.75%的准确率。实验结果表明,本文提出的算法能够有效的对癫痫发作进行检测,在处理新的患者数据时无需重新建立模型,花费时间较短,具有一定的研究与应用价值。