脑电图是一种记录人体大脑中神经细胞群电生理活动的主要工具,常用于检测神经性疾病。本文以癫痫患者和有睡眠障碍的患者为研究对象,利用智能算法分析脑电信号,实现癫痫的自动检测与睡眠阶段的自动分期。癫痫疾病是由于人体脑部中的神经元之间放电异常,使得人脑发生功能性障碍。睡眠是一种常见的生理现象,睡眠时脑部敏感度较低,一些潜伏疾病易在睡眠时出现,并且在整个睡眠过程中出现的时机也不同,所以分析睡眠周期是研究睡眠及相关疾病的基础,具有重要的临床意义。直接对癫痫患者或睡眠障碍患者进行人工监测脑电图的方法耗时耗力,且检测效率低下。近年来,利用人工智能算法分析脑电信号,辅助医生诊断逐渐成为主流。本文的主要工作如下:1)本文基于脑电数据,提出一种基于共空间模式的癫痫脑电自动检测算法。首先将小波包分解与共空间模式结合提取脑电信号特征,选取频带能量和标准差作为互补特征并组合。接着将粒子群算法与支持向量机结合,调整支持向量机中的超参数,提升分类器性能。最后采用二重分类进一步提升分类准确率。本文在波恩大学癫痫数据集上进行验证,并与主流方法进行比较,实验结果显示本文提出的方法可以获得更好的性能。2)为了进一步验证该方法的通用性,将上述方法应用至睡眠阶段分期任务。在此基础上,对预处理及分类方法加以改进,并在Sleep-EDF数据集上进行验证,结果显示良好,但仍有一定的改进空间。通过对实验反思总结,本文拟引入深度学习算法完成睡眠阶段的自动分期任务。3)提出一种基于深度学习的睡眠阶段自动分期算法。首先将一维睡眠脑电信号通过小波包变换转化为二维形式,选取卷积神经网络作为基础网络。在网络中加入卷积注意力模块提升网络性能。将网络中的常规卷积层替换为深度可分离卷积提升网络效率。通过实验对比,结果显示本文提出的方法具有更高的准确率及效率,为睡眠自动分期任务提供了新的研究思路。