癫痫(Epilepsy)，俗称“羊癫风”，是一种由多种病因引起的慢性脑功能障碍综合症，是继脑血管疾病之后的第二大脑部疾病。脑部神经元突发性地、反复性的异常放电会造成中枢神经系统功能的间歇性障碍，这是导致癫痫发病的根本原因。癫痫疾病的临床表现包括突然失去意识、全身抽搐和精神障碍等。对于儿童病患会在身体发育和智力发育方面受到巨大影响，更多癫痫患者是饱受生理和心理上的煎熬。
　　脑电图(EEG)是研究癫痫患者脑电特征的基本工具，属于不具备创伤性的物理检测方法。其它人体生理学方法无法提供的重要信息，往往可以在脑电图中找到答案。监测大脑出现的异常放电现象是脑电图分析的主要内容，比如对尖波、多棘波和棘慢复合波的检测。如今，脑电图作为医师诊断癫痫疾病的依据，其诊断方法主要是靠专业医师的人工解读和分析，耗时严重，具有主观性，不同医师在诊断同一个病人时，可能也会产生争议。所以当前的癫痫检测结果对医师的经验有较强的依赖性，诊断过程中也存在较高的误诊率。计算机技术和机器学习的高速发展，为癫痫脑电的自动检测提供了解决途径，而借助自动识别技术实现癫痫脑电及时、准确的诊断和预测是当前研究的重要内容。
　　为了实现癫痫脑电信号各时期的自动识别，并且能够达到较高的识别率和识别效率，本文提出一种基于共空间模式算法(CSP)提取的空域特征和支持向量机(SVM)二重分类模式的癫痫脑电信号自动识别技术，该技术的主要原理是首先提取出脑电信号的各项特征，包括时域的标准差、时频分析的小波包能量、熵特征和基于共空间模式算法的空域特征，然后将以上特征组成特征向量，使得脑电信号中的信息做到互相补充，最后送入支持向量机分类器中进行二重分类，得到脑电信号样本在正常时期、发作间期和发作期三个时期上的具体分类结果和识别率。本研究中主要的创新之处有以下几点:
　　(1)提出了时域、时频分析和非线性动力学相结合的特征提取方法。各个领域的特征相互补充，以愈加全面的描述出脑电信号蕴含的特征信息，从而提高脑电信号各时期的识别率。
　　(2)引入基于共空间模式算法提取的空域特征，弥补了癫痫脑电信号在空域上的信息描述。共空间模式算法的主要步骤是进行空间滤波，很适合处理多维的脑电信号，它能够同步利用脑电信号的空间相关性，有效提取出不同通道上脑电信号的空域特征。最终实验结果表明，空域特征的引入大大提高了脑电信号三个时期的识别效果。
　　(3)为了提高脑电信号三个时期的识别效率，满足医疗应用中的实时性要求，在模式识别阶段提出一种全新的基于支持向量机的二重分类模式。该分类模式提出的依据是:实际癫痫发作的过程始终是由正常期到发作间期再到发作期这样一个连续的过程。二重分类仅需对癫痫脑电信号进行两次比对，与传统直接进行三分类的方法相比，能够有效提升识别效率。
　　本文研究中使用的数据库来源于德国波恩大学癫痫研究中心，共包含健康者清醒睁眼、健康者清醒闭眼、癫痫患者发作间期致痫灶外、癫痫患者发作间期致痫灶内和癫痫患者发作期五类脑电信号样本。最终实验结果证明，结合空域特征和其他领域特征能够对脑电信号进行更加全面的表征，并在后期分类识别中作出重大贡献，取得了较高的分类识别率。基于支持向量机的二重分类模式与其他文献中的分类方法相比，具有更高的识别效率，在实际临床医学检测中具有更好的辅助效果。