穿戴式癫痫发作监测系统(Wearable Seizure Monitoring System,WSMS)对癫痫的辅助治疗和健康管理具有重要意义。目前,WSMS的实现方法主要利用加速度、肌肉活动等非脑电信号进行癫痫发作检测,应用范围仅局限于惊厥性发作类型。脑电作为捕捉大脑皮层电活动的关键生物信号,为癫痫发作检测提供必要的信息,可检测包括非惊厥性发作在内的几乎所有类型的癫痫发作。因此,基于脑电的WSMS已成为该领域的研究热点,但在检测性能、功耗、便携性方面无法达到临床要求。鉴于此,本文对基于脑电的WSMS实现所涉及到的关键技术展开研究,包括癫痫发作检测算法设计、基于FPGA的检测算法硬件实现与优化、癫痫管家安卓客户端软件开发以及验证平台搭建等。本文的主要工作如下:(1)针对痫样脑电数据非平衡特点所造成的漏检问题,采用基于K-means的痫样脑电平衡算法,对多数类发作间期脑电样本进行数据融合,改善类别边界样本误删问题的同时有效降低非平衡度。经CHB-MIT数据集的训练和测试,验证了非平衡处理方法的有效性。(2)针对广义Hurst指数(Generalized Hurst Exponent,GHE)方法对时间窗口内脑电信号波动状态描述的局限性,引入指数移动平均(Exponential Moving Average,EMA)思想,提出EMA-GHE特征提取算法用于计算痫样脑电信号的长期相关性特征,并结合随机森林(Random Forest,RF)分类器,设计适用于WSMS的癫痫发作检测算法。为验证算法鲁棒性,采用基于片段的评价标准进行测试,平均检出率为98.89%、平均误检率为1.65%;为验证算法满足WSMS高检测精度、低时延的要求,采用基于事件的评价标准进行测试,平均检测率为98.18%、平均误检率为0.0259次/h、平均检测时延0.32s。(3)提出基于FPGA的癫痫发作检测算法硬件实现与优化方法,完成基于Vivado HLS的癫痫发作检测算法IP核设计,包括数据位宽选择、EMA-GHE特征提取以及基于随机森林模型的预测模块,并针对算法的并行特性采用复用策略以及流水线设计完成IP核的优化。实验结果表明Vivado HLS下的IP核优化设计方法实现从算法设计到硬件实现的“完美”映射。(4)搭建WSMS验证平台,主要包括痫样脑电数据传输模块、发作检测模块安卓客户端反馈及报警模块。实验结果表明本文搭建的验证平台能够实现癫痫发作监测功能。