癫痫是一种广泛发作、影响严重的脑部疾病,脑电图检查是癫痫诊疗中的重要手段,目前在临床中仍依赖癫痫专家人工读图分析,研究者们则希望使用计算机、利用机器学习方法自动处理癫痫相关脑电信号。如何选择合适的特征刻画癫痫脑电活动、结合不同癫痫脑电成分共同分析、在数量有限的有标签癫痫脑电数据集上学习,从而检测癫痫活动、定位癫痫病灶、评估共发功能障碍是癫痫脑电研究中亟待解决的问题。本文基于机器学习的癫痫脑电信号处理方法,针对不同癫痫脑电处理问题,提出了相应的脑电自动处理和分析方法。首先,针对癫痫脑电分类问题,本文提出了一种基于多域特征提取的癫痫脑电图自动识别方法,可以区分癫痫患者和健康人的脑电图,尤其是区分癫痫患者间期脑电和正常脑电,从而帮助诊断可能患有癫痫的患者。首先采用时频域分析、非线性分析和一维局部模式识别方法来提取癫痫性脑电信号特征,并提出了梯度能量算子和一维局部速度模式两种特征,以更好地反映癫痫发作间期脑电信号中的典型特征。然后使用经由人工筛选和遗传算法双重选择得到多域特征,最后用AdaBoost分类器进行不同分类问题下的癫痫脑电分类。在波恩大学公开的数据集上的实验结果表明,所提出的方法仅用少量特征就可以对正常脑电、发作间期脑电和癫痫发作脑电进行分类。与使用同一数据集的相关研究相比,所提出的方法可以在特征量减少61-95%的情况下获得同样令人满意的分类正确率。由于需要诊断的潜在癫痫患者在脑电记录中可能无法采集到发作脑电数据,对于发作间期和正常脑电图的分类尤为重要,我们所提出的方法对癫痫发作间期和正常脑电图可以达到99%的分类正确率,能够在未记录到癫痫发作的情况下有效帮助癫痫诊断。其次,针对高频振荡（HFO）自动检测问题,本文结合人工视觉检测原理和信号处理方法提取到的多域特征,提出了一种结合视觉检测特征和多域特征的癫痫性HFO自动检测方法,可以从长段无标签颅内脑电中自动检测作为癫痫灶区重要生理标志物的HFO,帮助难治性癫痫患者定位癫痫灶区,以进行切除手术。该方法中,为了更好地表征HFO事件,提出一种海岸线系数频率优势信噪比特征;为了消除生理性连续振荡活动对检测到的零星短时HFO事件的干扰,提出一种基于邻近环境参考的伪迹去除方法。将我们提出的HFO自动检测方法开发为基于MatLab的图形化界面HFO检测器,可自动检测多通道、长段颅内脑电信号中的HFO。在癫痫小鼠和难治性癫痫患者的颅内脑电记录中对我们提出的HFO检测器性能进行了评估。该方法检测到的90%以上的HFO事件得到了专家的确认,而平均漏检率＜10%。与最近的相关研究相比,该方法实现了灵敏度和特异性的同步提高,并在低误报率和高检测率之间取得了平衡。作为一种辅助工具,我们的检测器可以极大地提高临床专家在癫痫诊疗中检查HFO事件的效率。第三,针对使用癫痫活动传播网络对以发作起始区（SOZ）为代表的癫痫灶区的定位问题,本文结合高频振荡传播网络和癫痫发作传播网络,提出一种引入伪标签、基于置信系数的半监督图卷积网络对该综合癫痫传播网络进行处理,利用癫痫活动在大脑中的传播网络,找到与致病性癫痫网络密切相关的电极从而定位SOZ。该方法中,为了利用高频振荡传播网络定位癫痫发作起始区,提出一种基于无监督图卷积网络构建的高频振荡传播网络,将其核心节点作为癫痫发作起始区伪标签;为了利用癫痫发作传播网络定位癫痫发作起始区,提出一种局部空间平均方法构建的癫痫发作传播网络,将其传播起始节点作为癫痫发作起始区伪标签。在癫痫患者的颅内脑电记录上进行验证,使用我们提出的方法定位的脑区覆盖了 90%的临床诊断的癫痫发作起始区。与单独的癫痫传播、高频振荡传播网络或其它定量评估SOZ的方法相比,基于图卷积网络的综合癫痫传播网络与临床诊断的癫痫发作起始区所代表的致痫脑区的关系更为密切,可帮助定位癫痫病灶切除手术的目标。最后,针对癫痫患者的认知障碍问题,本文综合性地分析了癫痫患者在认知和工作记忆任务中的P300信号及其慢波睡眠期间的棘波成分,验证了癫痫对P300信号波幅和潜伏期的影响。针对癫痫患者存在一定形态异常的P300脑电信号,提出了一种数据迁移的多域特征组合分类器,有效提高癫痫患者P300信号识别率,发现使用该分类器获得的癫痫患者Oddball范式刺激分类正确率比P300波幅与癫痫患者发病年限显示出更强的相关性。针对癫痫患者慢波睡眠阶段的棘波检测问题,提出一种专家组合的棘波检测算法,有效识别癫痫患者慢波睡眠阶段的棘波成分,并发现使用该检测器检测得到的癫痫患者慢波睡眠阶段棘波发生率与其清醒状态下认知和工作记忆任务中P300波幅及分类正确率有显著负相关性,可为癫痫相关认知损伤的诊疗提供参考,探究癫痫与认知障碍的关系,为患有共发认知障碍的癫痫患者提供帮助。