癫痫是由大脑中枢神经元异常放电引起的神经系统疾病。当癫痫发作时,病人会突然失去意识并全身抽搐,若不及时采取抢救措施,则会危及生命。随着医疗设备的进步与机器学习的快速发展,基于脑电图（Electroencephalogram,EEG）的癫痫自动检测方案逐渐替代了传统的人工诊断。最新的神经医学研究表明,大脑不同区域之间存在着相互影响机制。现有的癫痫检测算法考虑了多通道脑电信号时间维度层面的特征,但忽略了脑电信号各通道之间的空间关系。因此,探索脑电信号的时空关联性是本论文的第一项重点研究内容。此外,临床医学和现存的脑电数据集显示,癫痫发作期脑电信号的采集总时长要远远短于正常脑电信号总时长,导致样本不平衡问题。样本不平衡会导致模型的整体检测结果偏向于正常脑电信号,导致模型无法准确检测出癫痫发作。现有的癫痫检测算法大多基于平衡脑电样本进行训练,并取得了较理想的检测效果,但其临床的泛化性能仍有待提高。因此,探索不平衡脑电信号分类问题是本论文的第二项重点研究内容。基于上述两项研究重点,本论文采用图卷积网络（Graph Convolution Network,GCN）并结合焦点损失在CHB-MIT（Children’s Hospital Boston--Massachusetts Institute of Technology）公开脑电数据集上进行了实验,针对不平衡脑电信号的时空关联性进行深度挖掘与讨论。本论文提出了线性图卷积网络（Linear Graph Convolution Network,LGCN）和焦点损失函数相结合的癫痫发作检测方法。该方法考虑了脑电信号各通道之间的时空关联性,其中,时间关联性是指选取的脑电信号在相同时段内包含的时域特征,空间关联性是指依据时域特征所计算出的脑电信号各通道之间的空间拓扑关系。此空间拓扑结构被定义为图结构,图节点代表所选取的脑电通道,边代表通道间的空间关系,通过边的索引来更新节点本身的特征。关于样本不平衡问题,利用焦点损失对模型的整体性能进行评估与更新,并通过分层十折交叉验证实验,验证了所提方法的有效性。通过对23名受试者的检测,该方法的平均检测灵敏度达到了96.95%,平均检测AUC（Area Under the Curve）达到了97.07%。为了获得更深层和高级的脑电特征,本论文在第一项工作基础上继续加深了模型的深度,并引入了残差网络与注意力机制,提出了基于注意力图卷积残差网络（Attention-based Graph ResNet,AGRN）与焦点损失的癫痫发作检测方法。该方法针对不平衡脑电信号进行建模,所构建的深度图卷积层进一步挖掘了脑区中所隐藏的时空信息,所提出的残差块加快了信息的流动性,所引入的注意力机制增强了模型的可解释性并实现了特征最优化。本论文通过实验验证了该方法的有效性,在对23名受试者的平均检测灵敏度和平均检测AUC分别达到了97.93%与98.56%。综上,本论文提出了基于LGCN与AGRN的癫痫发作检测方法。基于提出的癫痫自动检测方案,在公开的10-20国际脑电数据集CHB-MIT上进行了交叉验证实验,验证了所提模型结合焦点损失函数在癫痫发作自动检测领域的可行性,为癫痫自动检测算法的研究与临床医学的实际应用提供了科学的参考价值。