癫痫是一种以脑神经元异常放电为特征的神经系统疾病,具有随机性、突发性和反复性的特点,严重影响患者的身心健康和生命安全,其发作机制迄今尚未完全明确。脑电图通过电极记录脑神经元的电活动,包含大量的生理和病理信息。其中,头皮脑电采集方式具有无创、低成本和安全便捷等优点。对癫痫患者的头皮脑电信号进行长期监测和自动分析,对于患者的临床诊疗和癫痫发作机制研究都具有重要意义,同时也能极大地减轻传统的人工分析给医生带来的负担。此外,在日常生活中,对癫痫发作进行检测或预测并及时采取应对措施,也能极大地提高患者的生活质量,保障其生命安全。本文围绕基于头皮脑电的癫痫监测系统,针对其中的信号采集、伪迹消除、特征提取和特征分类等关键技术展开研究,主要研究内容及创新点如下:根据长期监测和日常使用的需求,对适用于微型化传感设备的信号采集前端电路进行了研究和设计。针对采集前端中的仪表放大器模块,提出了一种斩波型电容耦合仪表放大器,通过电极直流失调抑制环路消除电极在长期工作过程中产生的直流失调,将斩波技术、Ping-Pong自调零技术与电流复用技术相结合,在有效抑制放大器失调、噪声以及输出端纹波的同时,尽可能地减小了放大器的静态电流,降低了放大器功耗。针对采集前端中的模数转换器模块,设计了一种12比特逐次逼近型模数转换器,引入门控单元结构对其控制逻辑电路进行了改进,降低了电容阵列的开关活动因子,实现了低功耗设计。针对癫痫监测过程中的伪迹干扰问题,本文重点研究了对低频脑电信号影响较大的眼电伪迹,提出了一种基于ICA-EWT的眼电伪迹消除方法。该方法首先通过Fast ICA对受污染的脑电信号进行分解,并根据眼电伪迹的来源和特点,通过ICA混合矩阵异常值检测确定包含眼电伪迹的独立成分(EOG-IC)。然后采用经验小波变换对EOG-IC进行自适应分解,结合信号频率分布特点精确消除其中的眼电伪迹成分。最后,将处理后的独立成分重构为干净的脑电信号。基于半模拟EOG/EEG数据集对本文的眼电伪迹消除方法进行验证,结果表明所提出的方法可以有效消除眼电伪迹,同时较好地保留有用脑电信号。为了全面深入地挖掘癫痫患者脑电信号的时空变化规律,提出了一种多角度的脑电信号特征提取方法。首先通过小波包变换将原始脑电信号分解为与癫痫脑电活动相关的子带信号,以精确分析各频带的信号变化规律。对于每一层子带信号,提取各通道信号的时域统计特征和非线性动力学特征作为单通道独立特征,此外,通过社区检测算法对大脑功能连接网络进行分析,提取网络模块度信息作为多通道关联特征。最后,根据采集电极的相对位置将多频带、多角度特征分别映射为二维特征图,保留脑电活动的空间信息和结构性特点。所提出的特征提取方法为后续的癫痫发作检测和预测提供了全面而有效的依据。针对癫痫监测过程中脑电信号的分类问题,提出了一种多视角循环卷积网络(Mv-GRCN)分类器,用于多频带、多角度特征图序列的学习和分类。首先通过Mv-GRCN前端的多视角卷积模块提取每个时间窗口内信号特征图的空间信息,然后通过后端的门控单元网络对连续时间窗口所对应的高阶特征序列进行分析。在此基础上,引入深度可分离卷积结构对多视角卷积模块进行了轻量化设计,以降低网络参数数量,减小网络规模。同时,在Mv-GRCN中加入了注意力机制,自动调整多角度特征的融合权重,以适应特异性分类需求。最后,基于CHB-MIT数据集和TUH数据集进行了癫痫脑电分类实验,验证了特征提取方法的有效性以及Mv-GRCN的分类性能。