曹玉珍，高晨阳，余 辉，王 江

(1. 天津大学精密仪器与光电子工程学院，天津 300072；2. 天津大学电气自动化与信息工程学院，天津300072)

癫痫是一种由大脑神经元异常放电引起的慢性大脑疾病，具有不确定性、反复发作的特点[1]．癫痫状态自动识别不仅可以用于监测病患是否发病，也为癫痫电磁刺激疗法提供支持．对于一个闭环的电磁刺激控制系统，对癫痫发作状态应具有较好的识别准确率和实时性[2]，而针对特定病患的癫痫发作状态自动识别算法是关键所在．

癫痫发作期间，脑电信号表现为棘波、尖波、棘慢复合波、尖慢复合波，被认为是临床上检测癫痫样放电最显著的特征波形．癫痫状态识别通常通过对脑电片段进行特征提取后进行分类识别，目前主要基于时域分析、频域分析、时频分析以及非线性动力学分析等技术提取特征．随着深度学习方法理论日益完善，深度学习模型在图像识别与分割、语音识别等领域都取得了很好的成果，在脑电信号分析处理中也逐渐取代了部分传统模式识别方法，得到了较广泛的关注．Acharya等[3]在2017年将卷积神经网络用于癫痫脑电数据处理，最终在BONN大学的iEEG数据集上达到了88.67%的识别准确率；Yao等[4]基于双向长短时记忆网络(LSTM)对癫痫脑电发作检测的平均精确度达到了88.63%．单绍杰等[5]在提取小波能量特征的基础上，将LSTM应用到单导联癫痫脑电发作预测中．

然而，由于不同病患之间的个体差异较大，训练一个识别准确的……