随着信息技术的发展与数据存储技术的进步,各行业产生的数据量在不断增多,人类社会开始步入大数据时代。时序数据异常检测作为大数据分析领域的重要分支,在工业、医疗、教育等多个行业有着广泛的应用前景。时序数据突变点检测是从数据的整体分布出发,搜索数据流中分布发生突变的位置,并分析突变点产生原因的一种异常检测技术。该项技术可有效从大规模数据中提取有价值的信息,因而成为了大数据分析领域的研究热点。滑动窗口模型是时序数据突变点检测所需的关键技术之一,滑动窗口可将数据流切分为多段数据,在每段数据上使用突变点检测算法加以分析,可有效定位出多个突变点的位置。传统的固定宽度滑动窗口无法自动调节窗口宽度,在检测病变时序数据时效果不佳。针对这一问题,本文提出了一种滑动窗口的动态变化策略,将其运用于病变数据异常检测中。目前,病变数据的自动检测与分析已成为异常检测领域的热门问题,本文在突变点检测技术的基础上,结合机器学习与模板匹配知识构建出了一套具有癫痫疾病筛查与病变状态分析的专家系统模型,并将其应用于癫痫疾病的分析与诊断问题中。首先,本文提出了一种可根据当前窗口内数据异常波动剧烈程度而自适应调整窗口宽度的动态滑动窗口模型,并将其与基于多路搜索树的突变点检测方法结合,形成了一套多突变点检测模型,应用于病变时序数据的多突变点检测。实验表明,与固定宽度的滑动窗口相比,该模型可在一定程度内优化突变点检测效果。并且,在加入截断与窗口随机交叠机制后,模型的检测效果还可进一步提升。其次,本文在多突变点检测模型的基础上,提出了突变点分布密度特征,以度量数据异常波动的剧烈程度。利用突变点分布密度,并结合K-means与随机森林模型对大规模癫痫脑电信号进行状态异常类别分析。实验表明,该方法基本实现了健康人脑电与癫痫患者脑电的区分,为解决癫痫疾病筛查问题打下基础。另外,本文提出了一种基于符号化模板匹配的异常状态识别方法,以解决癫痫病变状态的识别问题。首先,使用基于信号峰谷差的符号化近似表示法,对脑电信号进行降维,获得脑电数据的符号化表示。再通过对典型癫痫发作脑电的学习,形成了三类癫痫发作状态的符号化模板。最后,使用加入容错机制的改进型Sunday算法进行待测数据与病变模板间的匹配。实验表明,上述方法在识别癫痫病变状态方面具有良好效果,为解决癫痫病变状态的识别问题打下基础。最后,本文构建了一种基于疾病筛查与病变状态分析的专家系统模型,应用于脑电数据病变状态的快速分析与初步诊断。该模型首先在数据预处理阶段使用多突变点检测技术提取脑电数据特征。其次,利用随机森林模型,进一步将脑电异常状态区分为阴性与阳性。再次,在病变状态识别模块中,将确诊为癫痫阳性的脑电数据做符号化表示,定位出癫痫发作的时间段。最后,使用专家模板库中的标准病变状态模板匹配出癫痫发作所对应的病变状态。通过仿真实验与实际癫痫脑电数据的分析结果表明,本文提出的专家系统模型可初步完成癫痫病变特征的快速分析与癫痫发作状态的诊断。此专家系统模型旨在起到病变数据快速分析的作用,以期为疾病辅助诊疗提供一种分析工具。