癫痫是一种脑功能障碍疾病,由于其发作具有突发性,长期以来人们认为癫痫是无法预测的。自2013年科学家成功在某癫痫患者个体上实现了预测,才提出了癫痫预测的可能性,从此癫痫预测成为了神经科学及临床研究的热点问题之一。然而,癫痫预测方面的研究进展慢于癫痫检测。本文围绕癫痫预测问题,并基于脑电信号（Electroencephalogram,EEG）分析提出一种基于癫痫样波重构的方法。一般的时间序列预测问题是根据当前及历史信号来预测未来某个时刻的信号大小,而这种预测对于癫痫预测是不够的,后者需要得到一段时长的EEG信号才能做出判断;此外,癫痫发作是一种突发事件、EEG信号是一种非平稳信号,难以用一般的时间序列方法进行预测。本文将问题转化为预测一段时间内癫痫是否发作的问题,并通过将EEG信号划分为发作间期、发作前期、发作期及发作后期,进一步将癫痫预测问题转化为判断患者处于癫痫发作间期还是发作前期的分类问题。临床癫痫诊断的实践中发现,癫痫发作时会出现癫痫样波。我们据此设想,在癫痫发作前,癫痫样波的成分信号很可能己经发生某种改变。基于此设想,本文提出基于癫痫样波重构进行预测的方法。首先利用小波变换分解EEG信号,并使用小波逆变换重构出棘波、尖波及慢波三种癫痫样波。为了选取合适的特征组合,本文综合考察了 EEG信号的各类典型单一特征及特征组合,并寻找一种能衡量特征与类标签之间的非线性相关性,将信息增益这一概念引入连续型特征的度量,选取出全波段信号及三种癫痫样波信号的样本熵、标准差等特征,作为分类器使用的特征组合。最后优化设计了 BP神经网络分类器用于预测。论文采用美国波士顿一家儿童医院的CHB-MIT脑电数据集,并使用本文提出的预测方法结合5倍的交叉验证进行癫痫预测实验。结果显示,本文所提预测方法性能为:特异性95.61%、灵敏度95.27%、准确率95.41%。并与多个有代表性研究文献的结果进行了比较。结果印证了癫痫样波成分在癫痫发作前期已发生变化的设想,多特征组合的选取也是恰当的。此外,还用类似的基于癫痫样波重构的思路,在德国波恩大学Bonn脑电数据集上进行了癫痫检测的实验,也得到良好的结果。