癫痫是由大脑神经元异常放电引起的,具有突发性、反复性,及时准确预测癫痫发作对改善患者的生活质量,提高其健康水平具有深远意义。脑电能反映大脑内部神经簇的生理活动,因此在癫痫发作预测中被广泛应用。该领域的研究涉及到多学科,如何从采集的脑电中提取有用信息以及构建模型识别不同的脑电模式是研究的热点和难点。首先,本文对癫痫发作预测的研究历史与现状进行了调查与归纳,描述了已有科研工作的研究思路与效果,从而在已有基础上展开自己的研究路线,并介绍了癫痫脑电的常用分析方法,以及神经网络相关技术。其次,本文提出了一种基于神经网络与电极注意力的癫痫发作预测方法,该方法在多电极脑电上引入了注意力机制,从脑电的空间维度对问题进行了分析。首先通过短时傅里叶变换把脑电从时域转换到时频域得到时频谱,相较于原始数据,应用时频谱可以更好的区分脑电不同模式。癫痫脑电时期划分没有明确定义,然后通过无监督方式学习脑电内在特征,一定程度上减少了人为划分数据标签的影响,在此基础上再通过有监督学习方式对网络参数进行调整,此过程从脑电自身模式以及人为时期划分两个角度调节了网络参数,使模型能更好的学习癫痫脑电数据分布。癫痫灶常处在特定的脑区,距离病灶近的电极采集的癫痫前期脑电含有更多痫样信息,最后通过在电极维度上引入注意力机制来对多通道脑电自适应分配权重,以突出优势电极。同已有方法相比,本方法取得了良好的效果。最后,本文提出了一种基于神经网络与时间多尺度的癫痫发作预测方法,该方法引入了循环神经网络,主要从脑电的时间维度对问题进行了分析。首先通过小波包分解与重构把脑电信号划分到多个频带,多频带分析往往能挖掘出更多有用信息,并在多个频带上计算电极间相关性值,电极间相关性反映了不同脑区的同步性。然后把多频带电极间相关性值作为卷积网络的输入来学习数据的高层空间表征,并把卷积网络的输出作为循环网络的输入学习脑电信号时序上的隐含关系,从而联合考虑了时空特性。脑电为非线性、非稳定的生物信号,为了降低非稳定性给模型带来的影响,最后在循环网络部分引入时间多尺度操作,从而提升了识别准确率。与其他方法相比,本方法同样取得了良好的效果。