随着现代社会的进步和发展,医学水平也在不断的进步,但是在脑部疾病的研究中,由于头颅自身的复杂组织结构以及各神经元细胞的错综排列,针对脑部的疾病研究仍然是一个较大的医学难题。其中,癫痫作为第二大神经疾病,其患者的数量随着时间不断增加,而且这种疾病所具有的发作不确定性给患者的日常生活造成了巨大影响。因此,癫痫发作的准确预测对患者来说是十分重要的。本文为了准确预知癫痫发作的时间点,获得更加合理的预测模型,从以下三个方面进行了研究:首先,本文为获得更高信噪比的脑电图(EEG)信号,以两种经典降噪方法的优势为基点提出了一种新的降噪方法,并使用该方法获得了更好的降噪结果。接着又分析了不同角度的特征提取技术,提出了一种新的EEG信号特征处理方法。该方法根据不同头皮区域的受干扰程度不同,将大脑头皮划分为前后两个区域,然后将不同区域的信号进行空间信息融合,并使用一阶导数的相关性放大信号的时空特性。其次,实验中为了训练出具有较强鲁棒性的模型,分别在发作前期数据至少为20分钟和30分钟的前提下,使用癫痫次数不少于3次的案例进行相应的癫痫预测。同时,本文还分别使用两种神经网络进行特征分类,预测癫痫发作,并且最终的实验结果表明,本文特征在这两种神经网络上都取得了比较高的预测准确性和敏感度等。最后,由于实验数据集中正负样本的平衡性较差,导致模型输出结果极大可能会出现孤立的假警报。所以为了避免这种现象的出现,本文又设计了一种后处理策略,利用输出窗口的时间序列信息对预测结果进行平滑处理,检验修正孤立的假警报以提高预测结果的准确性。然后,实验结果也验证了该策略的积极作用,另外,又将本文的实验结果与近几年的研究结果在一些关键指标上进行了相应对比,结果也进一步证明了本文所提出的时空融合特征和后处理策略的合理性和有效性。