癫痫病是一种以反复、无端发作为特征的神经系统疾病,可能会导致严重的健康问题。到目前为止,全世界患癫痫人数达6500万人,其中有1/3的患者对于目前的手术及药物治疗等表现出抗药性。本论文的主要研究重点是基于脑功能网络特征,对即将发作的癫痫患者进行预测报警,以便患者在癫痫发作前采取相应的保护措施,免受伤害。主要是从以下两个方面来讨论预测方法的有效性:(1)从宏观方面,基于头皮脑电(Electroencephalography,EEG)信号采用非线性部分定向相干方法(Nonlinear Partially Directed Coherence,NPDC),用此作为大脑功能性连接的测量,并揭示了癫痫发作前后相关的大脑信息的定向流动。然后通过置信水平阈值法建立脑功能网络(Functional Brain Networks,FBNs),提取网络的度和聚类系数等特征输入到极限学习机(Extreme Learning Machine,ELM)进行癫痫发作预测。结果表明,该方法在所有受试者和所有EEG频段均取得了良好的效果,最佳预测准确度为89.21%,最佳预测时间为1356.48秒,优于目前许多方法。(2)从微观神经元角度,采用神经质量模型(Neural Mass Model,NMM)来拟合大脑深度电极脑电图(Depth EEG)信号,阐明网络结构、动力学方程和产生癫痫放电三者之间的关系。为了量化给定网络能够引起癫痫发作的病理性程度,引入了脑网络致痫性指数(Brain Network Ictogenicity,BNI)概念,这是BNI首次被用作癫痫发作的预测因子。结果表明,所提出的方法病人样例中均取得了很好的结果。平均而言,将发作的预测时间检测到2461.74秒以前,结果表明BNI是癫痫发作预测的有价值的指标。基于网络结构分析方法对癫痫预测提供了有效特征,是可以作为鉴定癫痫发作相关的网络模型,为治疗和预测癫痫提供了新的视角。