癫痫是一种复杂的脑部疾病,是大脑神经元异常放电在临床上的一种表现。它具有反复性和突发性的特点,给人们的正常生活带来了很大的影响。如果能够提前预测到癫痫发作并采取相应的措施,可以从很大程度上减轻病人的痛苦。鉴于此,本文将开展癫痫发作预测的研究,对于癫痫的防治具有实际意义。目前,常用的癫痫发作预测方法都是通过分析癫痫患者的脑电信号达到预测目的。脑电信号主要分为两种,头皮脑电信号和颅内脑电信号。头皮脑电信号采取非入侵式的采集方法,对脑部不会产生创伤,而颅内脑电信号需要将电极深入颅内进行入侵式的信号采集,具有一定的创伤性。因此,为了避免对脑部的创伤,在对癫痫发作预测的研究中多采用头皮脑电信号。在本研究中,选用头皮脑电信号作为癫痫发作预测的原始数据,脑电信号的癫痫放电是癫痫发作的病理生理学基础,棘波是癫痫放电最具特征性的表现。国际脑电图与临床神经生理联盟认为“棘波是指脑电图上出现短时的、明显突出于背景活动,形态为尖峰状、持续时间为20～70ms、主要成份为负相、波幅一般超过100μV的脑电波”。对癫痫脑电信号数据分析发现,癫痫发作前期棘波会增加,本文在此基础上分析了癫痫发作前期的脑电信号中棘波频次的变化规律。以往的癫痫发作预测算法存在特征提取复杂度高、通用性差以及实时预测困难的问题,对此,本文提出了基于脑电棘波频次和用于棘波检测的YOLOv3卷积神经网络模型的癫痫发作预测方法。该方法利用了复杂度低的癫痫棘波特征,采用两个公开的头皮脑电数据库,分别是波恩大学的短时头皮脑电数据库和CHB-MIT长时头皮脑电数据库。首先,对短时头皮脑电数据库进行数据扩增,并对数据库中的癫痫棘波特征进行标记,用于对YOLOv3模型进行训练。然后,用训练好的模型在长时头皮脑电数据库上进行验证。通过对比发现,相较于SSD和YOLOv3-Tiny两种训练模型,本文选用的模型具有较快的检测速度和较高的预测灵敏度。针对算法存在复杂度较高,训练时间较长的问题,本文对模型的网络结构和训练算法做了进一步的改进,并将改进的算法分别应用于30min、60min、90min和120min四个不同的预测窗,对癫痫发作进行实时预测。实验结果表明,不同预测窗的平均灵敏度为96.52%,平均预测时长为44.62min,平均检测每一张脑电图的时间为0.032s,误报率为0.104/h。通过实验结果可以看出,改进的算法不仅可以缩短模型的训练的时间、加快检测的速度,而且提高了预测的灵敏度。最后,将改进的算法与相位/振幅锁定法、吸引子状态分析法和基于离散小波变换分析法比较,结果表明,改进的算法具备较高的灵敏度、较长的预测时间、较快的检测速度以及较低的误报率。本文研究内容为癫痫发作实时预测提供了新方法,在临床上具有一定的应用价值。