癫痫是由大脑神经元突发性异常放电引起的一种慢性脑部疾病。据统计,世界上大约1%的人口遭受着癫痫疾病的困扰。长期反复地癫痫发作不仅严重危害患者的身心健康,也给其家人和社会增添了沉重的负担。脑电图是癫痫诊断的重要工具,其中包含了丰富的生理和病理学信息,为定位癫痫病灶提供了有效依据。目前,脑电图分析通常是由医务人员根据以往经验通过肉眼来观察判断的,由于脑电信号的数据量是非常庞大的,这种方法不仅耗时耗力,还存在很大的主观性,容易产生误判。因此,实现自动癫痫检测对提高诊断效率和减轻医务人员负担有着重要意义。近年来,国内外学者提出了多种癫痫检测方法,其中特征提取和分类器相结合的方法得到了广泛应用。常用的脑电信号特征可分为线性和非线性两类,线性特征包括波动指数、微分方差以及相对幅度等,非线性特征包括近似熵、Lyapunov指数以及相关维数等。分类器在癫痫检测中起到了重要的作用,常见的分类器有支持向量机、人工神经网络以及Boosting算法等。此外,时频分析方法也被广泛应用于癫痫检测中,常用的时频分析法包括短时傅里叶变换、小波变换以及维格纳-威利分布等。本文在前人的研究基础上提出了一种新的基于S变换和奇异值分解的癫痫检测算法。该方法的具体步骤如下：首先利用S变换对脑电信号进行时频分析,并对得到的S变换模值时频矩阵进行分块处理；然后通过奇异值分解法计算得到每个子矩阵的奇异值序列,并将同一频段上的最大奇异值相加得到一个四维的特征向量；最后将奇异值特征向量送入贝叶斯线性判别分析分类器进行分类,并对分类结果进行后处理以提高分类正确率。本文的实验数据来自于德国弗莱堡医学院癫痫研究中心的数据库,我们使用了其中20位病人的82次癫痫发作对该方法进行评估。实验结果表明本文提出的方法具有较高的灵敏度和较低的误检率,计算复杂度低,能够有效地实现癫痫检测,具有一定的临床应用价值。