癫痫是一种常见的精神类疾病,我国患者基数大,而且每年新增很多患者,这种疾病给患者及其家属带来了很大的精神压力,更主要的是严重威胁了患者的生命健康安全。目前癫痫检测大多采用脑电信号,虽然这种方法成熟、准确率高,但是采用脑电信号检测癫痫的设备体积比较大,不利于便携,因此研究出搭载癫痫检测算法的可穿戴设备非常有必要,对癫痫患者及其家属来说是福音。基于此背景,本文提出了基于癫痫监测手环的数据处理算法,并且研究开发了配套癫痫监测系统软件。课题中采集患者数据的设备为癫痫手环,手环搭载皮肤电传感器、心率传感器和三轴加速度传感器,采集这三种信号进行后续分析。对初始数据集进行预处理、特征提取与选择、标记与分割、标准化这四步操作,其中提取了47个特征,包含时域特征、频域特征,并且引入了近似熵、样本熵以及模糊熵。经过预处理和特征提取后的数据集输入机器学习算法模型中,本文对比研究了逻辑回归算法、支持向量机算法、Ada Boost算法以及XGBoost算法,经过仿真对比实验得出使用XGBoost算法进行癫痫检测的效果最好,检测发病的准确率为98%。由于嵌入式设备硬件资源有限,无法支撑复杂的自学习算法,考虑使用边界函数监测癫痫发作,由此进行测试,得到线性核支持向量机算法边界函数效果最好,准确率为88.50%,误报率为5.14%,漏报率为6.36%。并且对预处理过程中使用的插值方式、数字滤波算法和窗口重复率进行了对比实验,得出以下结论:使用三阶B样条曲线插值、五点中值滤波算法、窗口重复率为80%时的效果更优。本文最后还研究了癫痫监测系统的数据流以及软件涉及到的接口技术,并由此开发了云平台软件和手机端软件,开发的软件均可正常运行,并实现了预期的效果。