癫痫是一种由大脑神经元异常放电所引起的慢性脑部疾病,以反复性、突发性的癫痫发作为特征,给患者及其家庭带来了极大的身心负担。脑电信号（Electroencephalogram,EEG）包含了大量关于大脑神经元电活动的生理病理信息,是癫痫诊断和治疗中必不可少的检查手段。目前,临床上的癫痫检测主要是由医生根据自身经验对患者的脑电记录进行目视检查。这种人工分析的方法不仅非常耗时,也可能出现主观上的误判、漏判等问题。因此,借助计算机辅助技术实现对癫痫脑电信号的自动检测,对于减轻医生的工作负担和提高癫痫检测的识别率具有重要意义。本文立足于癫痫脑电信号自动检测这一方向开展研究,基于信号处理和模式识别技术,提出了两种有效的癫痫脑电信号自动检测方法。本文的研究内容和创新点可概括如下:首先,基于传统的稀疏表示（Sparse Representation,SR）方法,本文提出了一种基于斯坦因核稀疏表示（Stein Kernel-based SR,SK-SR）的癫痫脑电自动检测算法。在该检测算法中,脑电信号通过协方差矩阵进行表征,并被修正成为对称正定（Symmetric Positive Definite,SPD）矩阵。脑电信号的SPD矩阵形成一个非线性的黎曼流形空间,通过斯坦因核函数（Stein Kernel,SK）将该空间映射到线性的可再生核希尔伯特空间（Reproducing Kernel Hilbert Space,RKHS）中执行SR,然后计算不同类别的训练样本对待测样本的重构误差完成分类。不同于传统的“脑电特征+分类器”的癫痫脑电自动检测算法,该方法避免了特征的提取和选择以及分类器的使用,简化了检测过程。同时,该方法还借助SPD矩阵来表征脑电信号,可以实现对多导联脑电信号的联合分析,进一步降低了模型计算复杂度。此外,核函数的应用也增强了脑电信号的可分性,有利于提升模型的检测性能。通过在三个具有代表性的国际癫痫脑电数据集上的测试,该方法实现了较为理想的检测性能,并且检测时间较短,基本符合实时癫痫检测的需求。其次,基于第一种方法,本文提出了改进的基于判别性斯坦因核稀疏表示（Discriminative SK-SR,DSK-SR）的癫痫脑电自动检测模型。尽管SK-SR对癫痫脑电检测很有效,但由于该方法在计算核函数时直接使用了SPD矩阵的原始特征值,因此对SK仍存在两个可以改进的问题。一方面,当脑电样本量不足时,估计的特征值可能会出现偏差或不准确,这会影响到SK的计算。另一方面,当研究目标是区分表征不同类别脑电信号的SPD矩阵集合时,计算SK的特征值并不是最优的。因此,通过借助两个核学习准则,即内核目标对齐（Kernel-Target Alignment,KTA）和内核类可分（Kernel Class Separability,KCS）,在SK的基础上引入了判别性斯坦因核函数（Discriminative SK,DSK）,进而构建了更为有效的DSK-SR。DSK-SR检测方法可以基于脑电训练样本通过可调参数来自动地调整用于计算DSK的特征值,同时也可使得这些特征值更适用于特定的癫痫脑电分类任务,进而提升了癫痫脑电检测性能。最后,在三个癫痫脑电数据集上,改进后的方法与SK-SR针对不同的分类任务进行了比较。实验结果发现,改进后的DSK-SR取得了更加优异的检测效果,同时也具有较高的实时性。本文的研究工作对于癫痫脑电自动检测技术的发展和应用具有积极的推动作用。下一步的研究希望能够加强与医院的合作,在临床环境中,对所提出的癫痫脑电检测算法作进一步的提升和完善,以早日实现真正的临床应用。