随着科技的发展,如今的医疗水平相对于过去已经得到了很大的提升,但是癫痫的检测依然是一个研究的热点。现在大多数医院检查癫痫的方法是通过那些有经验的医生观察脑电信号来寻找到高振荡节律,进而判断癫痫发作的时间。这一方法具有很大的局限性,脑电信号的数据量通常很大,医生需要耗费大量时间,这也会影响了判断的准确性。因此,如何高效的处理脑电数据,对医生和病人来说都具有十分重要的意义。本文通过查阅文献,在癫痫致病灶特征提取和定位的基础上,设计了一种基于先验模板匹配搜索的去冗余压缩算法,用类似于传统数据压缩的方法,使得临床医生对癫痫发作的预测和诊断效率大大提升。本文的研究内容主要包括以下几点:首先,在数据上,对脑电信号进行预处理,先将信号进行归一化到区间[-1,1]之间。由于脑电信号受眼电等伪差影响,本文通过独立分量分析算法去除伪迹,然后使用切比雪夫Ⅱ型IIR带通滤波器滤除80-500Hz以外的波段和梳状滤波器去除50Hz工频干扰,得到最终滤波后的脑电数据。其次,在对癫痫致病灶的定位上,由于脑电信号数据量大,所以先设定阈值筛选出疑似包含癫痫致病灶导联,本文选用的特征提取算法是功率谱密度和模糊熵,然后再对筛选出的疑似癫痫始发区的导联用小波时频图进行最终的定位。最后在对包含高频振荡节律的数据段截取上,提出去冗余压缩算法,从高频振荡节律的波形角度考虑,用形态学匹配搜索算法对已经定位的包含癫痫致病灶的导联搜寻截取包含高频振荡节律的有效数据段,将最初的长程脑电数据压缩到1个小时左右的数据。综上所述,针对癫痫致病灶最终定位后的脑电数据处理,本文选择最终定位的导联其中一根截取先验模板数据段,对已经建立的先验模板数据库进行补充优化,同时也用该模板数据段进行匹配搜索得到最终利于临床医生诊断的包含高频振荡节律的有效数据段。通过实验仿真测试,结果也表明本文提出的去冗余压缩算法具有很高的时间压缩比和有效数据段比,能够很好地满足临床的需求。