失神癫痫是一种特发性全面性癫痫，临床表现为反复的失神癫痫发作。发作时，脑电图记录为大脑双侧半球同步对称的广泛性2-4Hz棘慢复合波发放，同时伴有短暂的意识丧失、反应迟钝和行为突止。失神癫痫发作的复杂特性导致其机制尚不清楚，而且发作具有突发突止性，不同患者个体之间存在差异，这些不确定性因素增加了失神癫痫治疗的难度。针对上述问题，本论文提出基于失神癫痫的神经集群模型和脑电信号，利用机器学习等方法探索影响失神癫痫发作产生的多重机制，构建癫痫发作预测模型，设计闭环脑电刺激策略，以实现失神癫痫发作的个性化、智能化以及低耗能化控制。
　　首先，针对失神癫痫的丘脑-皮层神经集群模型的高维特性，为了克服分岔分析等传统方法在高维参数空间内计算效率低下等缺陷，提出了基于决策树和随机森林的模型动力学分析方法，分析了影响失神癫痫发作产生的多重因素。结果表明，失神癫痫发作是由皮层神经集群的平均输入以及不同集群之间的耦合强度共同变化导致的，其中皮层锥体神经集群的平均输入对模型失神癫痫状态的产生最为重要，这一结果为失神癫痫发作的皮层起源论提供了一些的理论支持。
　　其次，针对失神癫痫患者的个体差异性，利用失神癫痫的丘脑-皮层神经集群模型，提出了行动者-评论者强化学习算法，实现了失神癫痫发作的自适应控制。根据系统状态空间和动作空间的连续特性，提出了基于滑动平均的状态离散方法，并构建与状态量和动作值相关的奖励函数，提高模型学习效率。仿真结果表明，行动者-评论者强化学习算法能够得到最优控制策略，实现癫痫发作的自主探测与抑制。相比于已有的优化控制策略，该算法具有更低的刺激能量消耗。
　　最后，针对癫痫发作突发性导致的不确定性，构建了一种基于脑电信号的可视图-卷积神经网络癫痫发作预测模型。为了高效捕捉脑电信号的时空特征，提出了一种将时间序列转换为图像数据的可视图方法，并利用这些图像构建了一种基于卷积神经网络的癫痫发作预测模型。经临床EEG数据验证，该方法的平均敏感性为80%，平均误报率为0.21/h，在统计学上其预测效果显著优于非特异性随机预测模型。相比于已有的癫痫预测方法，该方法避免了耗时耗力的人工特征提取和选择过程，提高了模型的计算效率和泛化能力。