癫痫是一种由脑部神经元群阵发性异常电活动导致的慢性神经系统疾病,其发作具有突发性、反复性特点,并伴随意识丧失、昏厥、四肢抽搐等临床表现,严重危及人们的身心健康与生命安全。据统计,全球有超过1%的人口遭受该疾病的困扰。癫痫发作的病因复杂多样,发病机制迄今尚未完全明确。作为研究癫痫疾病的一种重要手段,脑电图利用电极记录脑部神经细胞的电活动,包含了大量的生理与病理信息,在癫痫的临床诊断、病灶定位与治疗等方面都发挥着极其重要的作用。目前,脑电图分析和癫痫检测主要依靠医务人员根据临床经验视觉观察来完成。然而,庞大的数据量使得该项工作非常枯燥与耗时,且医务人员的主观性对癫痫发作的判断也会造成影响。因此,利用计算机自动分析脑电信号并有效检测癫痫发作是十分迫切和必要的,它不仅可以减轻医生的负担,提高癫痫的诊断效率,而且在有效治疗癫痫疾病,改善患者生活质量,并深入揭示癫痫发病机制等方面具有重大意义。本文立足于癫痫自动检测这一课题进行相关研究,围绕不同时期脑电信号非相似度距离特征提取,基于稀疏表示和协作表示理论的脑电信号分类等内容展开研究,并提出了几种有效的癫痫自动检测算法。本论文的研究内容与创新点主要包括以下几点：(1)将距离测度应用到脑电信号分析中,提出了基于扩散距离与贝叶斯线性判别分析(BLDA)的癫痫发作检测算法。该算法应用小波变换对脑电信号进行时频分析,并将三个频段的脑电信号组合构成脑电分布。然后,计算癫痫发作期与间歇期脑电分布之间的扩散距离,定量描述不同时期脑电信号之间的差异性。根据同类别脑电信号之间的差异性低于不同类别脑电信号的原则,将扩散距离作为脑电特征与BLDA分类器相结合,实现癫痫发作的识别与检测。与推土机距离(EMD)相比,扩散距离不仅能有效地区分发作期脑电信号和间歇期脑电信号,而且具有更强的抗噪性与更低的计算复杂度。BLDA通过正则化方法避免了在含噪声的数据集上出现过拟合问题,可以得到更好的分类效果。在Freiburg长程脑电数据库上的实验结果验证了脑电信号扩散距离特征的有效性,而且表明该癫痫检测算法具有良好的分类识别性能。(2)以稀疏表示理论为基础,提出了一种基于多层核协作表示分类方法的癫痫自动检测算法。该算法将脑电信号进行多层小波分解,然后在各层上结合核方法与协作表示对子频带脑电信号进行分类,并提出一种新颖的判决决策有效融合各层与各导联的判断结果,最终构建出多层核协作表示分类与检测系统。在核协作表示分类框架中,求解最小72范数优化问题得到测试样本在训练字典上的稀疏向量并计算两类训练样本集对测试样本的重构误差,将其差值作为判决变量进行分类识别,避免了传统检测算法中的特征选取与分类器设计难题。核函数的应用增强了脑电信号的可分性,有利于提高算法的分类性能。协作表示使用l2范数代替稀疏表示的l1范数进行求解,在保证分类性能的同时大大降低了算法复杂度。多层的系统设计与判决准则将脑电信号的频域和空间信息有机结合,进一步提高了检测准确性。将该算法在长程脑电数据库上进行测试评估,取得了较理想的检测灵敏度与较低的误检率。实验结果表明该算法对癫痫脑电信号具有较好的检测性能且实时性较高。(3)研究了对称正定(SPD)矩阵的稀疏表示算法并提出一种Log-Euclidean高斯核稀疏表示分类方法进行癫痫发作自动检测。该算法使用协方差描述子对多导联脑电信号建模,并修正协方差矩阵使之成为SPD矩阵。脑电信号协方差矩阵形成的空间是一个非线性黎曼流形,应用Log-Euclidean高斯核函数将其嵌入到线性可再生核希尔伯特空间(RKHS)中进行稀疏表示,并计算重构误差进行分类识别。协方差描述子结合了脑电信号在时域、频域及空间域上的统计特性并能够有效抑制噪声。不同于欧氏空间中向量的稀疏表示,Log-Euclidean高斯核函数考虑了流形数据的几何结构,使得SPD矩阵的稀疏表示合理有效。而且,传统稀疏表示检测算法需要对每个导联的脑电信号迭代处理,具有重复运算且系统设计复杂的缺点。该算法应用SPD矩阵的稀疏表示同时处理多导联脑电数据,成功解决了传统算法的缺陷,有效降低了算法的复杂度。在长程脑电数据库的实验结果表明,该算法不仅具有更加理想的检测性能,鲁棒性较强,且运行速度更快,基本满足在线检测系统对检测准确性与实时性的要求。本论文的工作有助于促进脑电信号分析和癫痫自动检测算法在理论和临床实际应用方面的研究,积极有效地推动了癫痫自动检测技术的发展。由于实验数据的局限性,本文提出的癫痫自动检测算法的有效性和鲁棒性还有待进一步验证与提高。