随着人工智能与生物医学工程的飞速发展,机器学习技术已逐渐成为医疗领域医生诊断、分析病情的重要工具。癫痫是一种常见的神经系统疾病,临床患者数量众多。对于药物难治性癫痫患者,神经外科手术的成功率很大程度取决于癫痫始发区的精准定位。在术前评估中,癫痫脑电信号中的高频振荡节律已成为定位癫痫始发区的重要电生理标志物。由于高频振荡节律的微弱性、瞬时性,且癫痫脑电中混杂其他伪迹和噪声,基于医生肉眼判断的传统高频振荡检测方法十分耗时且主观性强。本文基于时频分析研究高频振荡的自动检测方法,并在此基础上实现癫痫始发区的准确定位。针对癫痫脑电数据特点,本文深入研究小波变换等信号时频分析技术及无监督聚类算法。本文使用无标签的多导联癫痫脑电数据,建立了基于高斯混合聚类算法的高频振荡检测模型。该模型结合临床专家经验对原始脑电数据进行预处理,利用滑动窗口对脑电信号分段计算时域信息。在高频振荡预检测后,通过Morlet小波时频图分析高频振荡与伪迹信号的能量分布差异,提取高低频带功率比、频谱峰度、频谱质心等时频域特征作为检测模型输入端。同时本文结合K-Means++及Fuzzy C-Means(FCM)等算法优化检测模型的初始化参数,降低检测模型运算复杂度,提高模型的检测精度。在得到性能良好的高频振荡检测模型后,本文通过分析发作期、发作间期、睡眠期等多时段癫痫脑电中检出的高频振荡分布特点,聚焦各时段癫痫脑电之间的关联,设计癫痫始发区定位决策模型。针对癫痫发作期脑电数据难以使用的问题,模型引入了致痫指数等量化指标,并结合多时段高频振荡检测结果共同建立导联分类阈值,实现癫痫始发区的准确定位。最后,使用临床专业医生对癫痫始发区的判定作为评估标准,验证了本文所提模型良好的定位性能,该模型能较为准确地定位癫痫始发区并辅助医生缩小致痫灶范围,具有良好的应用价值。