癫痫是大脑神经元异常放电导致的一种常见的神经系统疾病,中国约有九百万名患者深受其影响。其中,许多耐药性癫痫患者只能寄希望于手术治疗以摆脱疾病对工作和生活的影响,因此精准定位癫痫灶对患者来说十分重要。近年研究发现脑电中80~500Hz的高频振荡信号(High Frequency Oscillations,HFOs)与癫痫的发作有密切的联系,虽然非病灶区域也可能有高频振荡信号,但在癫痫灶内外具有一定区别,能够指示癫痫灶位置。由于脑电信号数据量巨大,人工筛查HFOs会占用研究者大量的时间且无法避免主观性。为此,本研究提出了一种基于卷积神经网络的HFOs自动检测方法,并基于脑电通道内HFOs特征对癫痫灶进行定位,以期提高癫痫手术的成功率。本课题的主要研究内容和贡献如下:首先,本文设计了一套基于MATLAB的HFOs人工筛选定标系统,通过对临床五例患者颅内脑电信号的逐步录入和分析,构建了一个总计近一万五千个样本的脑电高频振荡数据库。数据库包含五例患者颅内脑电高频振荡信号始末时间及通道标号等基础信息。其次,本文提出了一种结合短时能量和卷积神经网络的高频振荡信号自动检测新方法,即利用短时能量法对脑电信号进行预检测,将疑似高频振荡信号进行小波变换并生成时频图,把疑似HFOs的时频图输入训练好的卷积神经网络当中进行分类。该检测器检测涟波(80~250Hz)的灵敏度和误检率分别为88.16%和12.58%;检测快涟波(250-500Hz)的灵敏度和误检率分别为93.37%和8.1%。最后,本文提出了一种基于通道内高频振荡信号总体特征的癫痫灶定位新方法。基于上述HFOs自动检测算法结果,进一步对各个通道内检出的高频振荡信号进行特征提取及降维处理,并对比了多种机器学习分类方法用于自动判别各个脑电通道是否为癫痫灶时的性能。采用支持向量机的分类效果最好,其中十折交叉法测试时的准确率为85.05%,灵敏度为71.25%,特异性为92.42%;使用留一法测试时的准确率为79.08%,灵敏度为69.75%,特异性为89.06%。上述研究结果表明,本文提出的HFO自动检测方法可以在短时间内分析大量数据,并具有较好的检测性能;同时,本文设计致痫灶定位算法具备一定临床价值,有助于临床上辅助医生准确判断癫痫灶区域,有效治疗难治性癫痫。