癫痫患者脑电信号的研究主要包含发作预测与发作检测两部分。传统的在线学习预测方法忽略了癫痫患者的特异性(如年龄、性别和癫痫发作的脑电区域等)和癫痫发作模式的多样性(如在压力状态下、唤醒状态下和睡眠状态下等不同的癫痫发作类别),使其具有较低的预测准确率与较差的模型扩展性。自动癫痫检测时过多的脑电通道使得癫痫检测过程中冗余特征增加,且癫痫发作检测模型需使用人工标注的癫痫发作信号完成训练,使得模型自适应效果低。本文癫痫的研究内容如下:1.本文对癫痫发作预测与癫痫发作检测的研究背景进行了介绍,重点阐述了癫痫发作预测与检测相关研究现状与研究热点,并概述了癫痫发作预测与癫痫发作检测的必要性以及当前研究的主要工作。2.本文提出一种带有稀疏组约束的增量学习机制。首先基于脑电通道数据之间的相关性与特征的依赖性,使用稀疏组约束算法筛选特征,之后提取谱特征构建数据库,最后基于增量学习机制与不断变化的患者模式库进行在线模型的自适应更新。仿真结果表明,所提出的癫痫发作预测机制可筛选冗余特征,具有较高的预测准确率和可扩展性,且由模型参数确定的癫痫发作区域可为医生提供病情的建议。3.本文提出一种带有密度聚类的癫痫发作检测机制。首先分析患者正常状态下的脑电信号,并使用标准差特征与互相关信息共同完成冗余脑电通道的过滤。之后使用均值滤波法与差分法对提取的方差时序特征进行平滑与去趋势化处理。接下来使用异常检测算法完成癫痫发作的粗定位。最后使用基于密度聚类的方法对异常点聚类,进而完成癫痫发作起始与终止位置的定位。仿真结果表明,所提出的癫痫发作检测策略具有可扩展性,并降低了计算资源消耗,且无需人工对癫痫发作信号进行标注。本文提出了癫痫发作预测与癫痫发作检测两种策略,前者基于特征依赖关系实现在线癫痫发作的预测,后者基于通道的相关性、癫痫发作信号与正常脑电信号的差异性实现自适应癫痫发作的检测。最后对本文研究内容与创新点进行总结,并展望未来的研究工作。