癫痫（Epilepsy）是大脑神经元异常放电引起的一种脑部疾病,同时也是最常见的神经系统疾病之一,其发作时一般表现为牙关紧咬,四肢抽搐,严重时会导致尿便失禁、意识丧失,甚至危及生命。脑电图（Electroencephalogram,EEG）是目前诊断癫痫的主要工具,其中包含了大量的生理和病理信息,脑电信号的分析为医生的诊断提供了指导。目前,癫痫的临床诊断多是依靠医生的自身知识储备和经验,通过肉眼观察脑电原始记录来判断癫痫的发作和结束。然而,脑电图通常24小时不间断记录脑电数据,产生的数据量过于庞大,医生通过肉眼观察的方式判断癫痫发作不仅是一项十分艰苦耗时的工作,并且对医生自身的医学水平提出了很高的要求。因此,构建一种高效的癫痫发作自动检测系统进行计算机辅助诊疗具有十分重要的意义。本文提出了一种基于张量距离和贝叶斯线性判别分析进行癫痫发作检测的新方法。在本方法中,利用多导联脑电信号构成的EEG张量充分考虑了多个导联的时空信息,对癫痫检测性能具有有效的提高和促进,同时对EEG张量进行Tucker分解,提取EEG张量的主成分,有效降低了算法复杂度。在EEG核张量的基础上计算的张量距离特征符合多导联脑电信号的空间特性,反映了EEG张量的空间信息,能够有效地表征发作期和间歇期EEG信号之间的差异。本方法首先通过离散小波分解得到脑电信号的时频特征,构造脑电信号的张量表示,然后利用Tucker分解得到脑电张量的主成分,接着计算不同类别EEG张量之间的张量距离。最后,将张量距离作为特征输入到贝叶斯线性判别分析分类器中进行训练和分类,并利用后处理技术对分类器的输出结果进行处理,得到最终的检测结果。本方法在德国弗莱堡医学院的长程脑电数据集上进行评估,获得了95.12%的灵敏度,97.60%的特异性,97.60%的识别准确率和0.76/h的误检率,显示出良好的检测效果,具有临床应用的潜力。本文的研究工作拓展了张量这一高维数据形式在脑电信号处理和癫痫检测方向的应用,有效促进和推动了癫痫自动检测系统的研究和发展。由于实验数据的限制,本文提出的癫痫发作自动检测算法还需要通过更多的临床数据进一步验证其有效性。