癫痫,一种由大脑神经元异常放电所致的难治性神经疾病,癫痫病人苦不堪言,但现在进行癫痫确诊依然是一个医学难题。在临床医学中,癫痫诊断主要有两种方式:(1)由有经验的医务工作者,通过查看癫痫患者脑电图(EEG)波形进行诊断,该方式极易受主观因素和医生经验影响,不仅费时费力,而且极易导致误诊;(2)使用智能癫痫诊断辅助系统进行辅助诊断。方法是使用人工智能模型自动识别脑电图图像信息,再将图像信息提取的波型特征做进一步分析,再比对癫痫病的特征,提供给医务人员做诊断辅助。该方式不仅能减少仅仅依靠人为诊断导致的误诊,更能加快检测分类速度,提升癫痫分类质量。而要使用智能癫痫诊断辅助系统进行辅助诊断,就要对癫痫脑电信号自动分类,现在的算法虽得到了高识别率,但由于癫痫信号有非平稳非线性特性,现有算法存在着三大问题:(1)传统意义上的自动检测算法中,需人工设计特征提取器,会影响整体性能;(2)训练的数据集偏少,常采用数量较少的患者脑电图数据进行实验,如此不能具有说明性和实际性;(3)由EEG信号的复杂性和特殊性,需对每个患者重新学习,这样势必导致鲁棒性和泛化能力较差针对以上问题,本文的研究工作如下:(1)针对人工设计特征提取器影响性能的问题,本文应用多卷积神经网(CNNs)的癫痫分类算法。CNN能够在训练过程中,自动学习模型各参数,如此便没有必要手动设计特征提取器。训练过程中,各个CNN模型分别对各患者数据进行训练,测试过程中,采用少量数据来调整各个训练模型的参数,然后将各调整后的模型输出结果形成判别向量,进而得到最终的判别类型。实验表明,对比单CNN网络模型,分类效果更佳,灵敏度、特异性和识别率等各项指标明显更优。(2)针对训练数据集过少影响模型性能的问题,本文并非采用传统的单导联数据实验,而是采用单导联(C3-P3)和双导联(C3-P3、C4-P4)相结合,数据集采用波士顿儿童医院的开源CHB-MIT数据集,它由24名患者检测700小时,期间发作198次的EEG信号组成。实验表明,选用双导联的数据处理方式分类效果明显高于单导联。(3)针对癫痫自动分类算法的鲁棒性和泛化能力较差的问题,本文结合循环神经网络(RNN)和长短时记忆网络(LSTM)形成RNN-LSTM网络。首先需要对原始数据集进行归一化、分段存储和标签化等操作,其次应用时域分析法提取癫痫信号的特征加入该模型进行训练,并在不断的参数调节中对模型进行优化,最后由soft Max分类器进行分类。实验结果表明,对比单一RNN网络,识别效果更佳,灵敏度、特异性和识别率等各项指标明显更优。本文的创新点是应用CNNs网络和RNN-LSTM网络,通过单导联(C3-P3)和双导联(C3-P3、C4-P4)两种数据处理方式对癫痫分类进行对比分析。对比现有单一数据处理、单一CNN和单一RNN网络导致识别度过低的问题,经实验表明,运用本文方法均得到了较好的分类效果。