癫痫是一种慢性的神经疾病,影响着全球约1%的人口。癫痫是由局部脑区不正常的电活动引起的,其急促、反复的发病特点,不但会影响患者的生活,甚至会对患者的生命造成危害。目前一般需要对患者的发病过程进行长时间监测来辅助进行癫痫的治疗。临床癫痫治疗中常使用脑电信号(Electroencephalogram,EEG)来监测癫痫患者大脑的电信号变化,但是由于监测时间很长,癫痫的发作又具有不确定性,因此长时间的观察监测会消耗医生很大的精力,同时浪费大量的医疗资源。信号处理技术和人工智能技术的发展,使得癫痫检测和预测作为重要的计算机辅助诊断与计算机辅助康复预防手段越来越受重视,其在癫痫疾病的自动诊断、病灶定位与疾病预防方面发挥着越来越重要的作用。本文基于以上背景进行了如下研究工作:(1)本文首先针对癫痫EEG信号中存在杂质信号的情况,提出了一种级联滤波的癫痫脑电数据预处理方法。本文分析了癫痫EEG信号的时域特性和频域特性,针对信号噪声特性设计了二阶段的级联滤波器来消除噪声的影响。实验结果表明,采用本文所提出的癫痫脑电数据预处理方法可以得到较为纯净的脑电信号,验证了所提出方法的有效性。(2)提出了一种基于特征矩阵融合的癫痫自动检测算法。首先,针对现有方法对多通道癫痫EEG信号的通道空间信息考虑不足的情况,本文构造癫痫EEG信号的多域多混合特征矩阵,不仅对信号的时域特征、频域特征、线性特征和非线性特征等进行了全面的考虑,还着重考虑了多电极通道间的空间信息。接着,利用基于稀疏性的自动编码技术进行了特征的融合、学习与降维,进一步挖掘特征中的隐含信息。最后,采用极限学习机来进行分类检测。实验结果表明,本文提出的癫痫自动检测算法在现有先进方法的基础上提升了5.4%,不但在检测精度上非常可观,而且算法的运行时间在对比实验中也是最短的。(3)提出了一种基于卷积神经网络的癫痫预测算法。针对简单特征易造成脑电信号信息损失的问题,本文首先采用信号分解方法,构造了脑电信号多域多频带的数据张量表示形式,全面地表征了信号的多方面特性。然后,设计了能够主动学习EEG信号特征的卷积神经网络,并结合注意力机制对癫痫脑电信号中易被忽略的特征进行重点学习。本文提出的癫痫预测算法在基于患者非特异性的实验下得到了较好的预测结果,且本文提出的后处理技术进一步有效的降低了模型的误检率,在CHB-MIT数据集上达到了86%的预测准确率。(4)设计并实现了一个癫痫在线监测报警BCI系统原型。该系统包括三大模块:EEG信号采集、EEG数据传输和EEG数据处理。其中,脑电数据处理模块实现了脑电数据的接收显示、模型检测和监测报警等功能。在单路BCI系统的基础上还设计了多路癫痫监测报警系统,该系统在辅助医生进行诊断治疗、避免医疗资源浪费方面具有重要的意义。本文的研究结果表明,不同通道的癫痫EEG信号是存在差别的,因此通道之间的空间特征对于癫痫检测以及癫痫预测起着至关重要的作用。此外,癫痫EEG信号成分信息较复杂,对EEG进行全面的特征分析才能够得到更好的效果。本文的研究结果有效提升了现有癫痫检测和癫痫预测的准确率及效率,有助于计算机辅助诊断技术的发展。