癫痫是一种慢性的神经综合症,全世界大约有5000万患者。在癫痫诊断中,脑电图是一个非常有用的工具。癫痫发作的脑电信号中存在大量癫痫特征波,这是目前癫痫诊断的主要依据。目前临床上对癫痫病的诊断主要通过神经科专家的视觉观察,不仅效率低,而且缺乏统一的标准。癫痫脑电的自动检测可以解决上述问题。本文针对基于脑电信号的癫痫自动检测,进行了以下三个方面的研究工作:1)提出了基于构造小波的癫痫特征波检测方法。该方法根据病人脑电信号中的癫痫特征波构造小波函数,并在合适的尺度范围内对脑电信号作连续小波变换。然后将变换后的系数作归一化处理,用于反映脑电信号与构造小波函数的相似度。之后采用单一阈值法进行癫痫特征波的检测。实验结果表明,相比于其他常见的用于癫痫检测的小波函数,由癫痫特征波构造的小波函数具有更好的检测效果。2)改进了基于单一癫痫特征波构造小波的检测方法,提出基于多小波综合的癫痫特征波检测方法。由于癫痫特征波的波形各异,基于单一构造小波的检测方法存在一定的局限。本文尝试综合多个小波函数的信息用于检测,提出了“先变换后综合”和“先综合后变换”两种方法,在实验中与基于单一构造小波的检测结果进行对比。实验结果表明,“先变换后综合”的方法有效地提高了检测效果,能够达到90%的特征波检测灵敏度和低于2.5%的误检率。3)提出了基于小波和幅值特征的发作区域确定方法。使用单一阈值法对特征波进行检测时,没有充分利用变换系数矩阵中的系数分布特征。因此本文提出基于小波分布特征和相对幅值特征的SVM分类算法,从变换系数矩阵和信号相对幅值中抽取特征向量并训练SVM分类器,以实现对脑电信号中特征波位置的正确检测。最后本文提出了确定癫痫发作区域的算法,并对10位病人脑电信号中的34段发作区域进行检测,成功检测出其中的32次发作,准确率为94.1%。