程伟，龙佳伟，郑威

(江苏科技大学电子信息学院,镇江 212000)

1 引 言

癫痫(Epilepsy)是人类最易发的神经科疾病之一，近年来越来越被重视。其病理为在大脑神经元中时常突发性不常规放电，从而导致大脑功能受阻。其特征为反复性、突发性的发作，且发病范围广[1]。

脑电图(electroencephalogram，EEG)是有效判断癫痫发病的临床医学依据[2]。使用脑电图可以更方便地对大脑神经元异常放电进行监测和记录[3]。癫痫脑电信号一般指尖波、棘波等突发性的非常规放电[4]，临床上它们是医生诊断癫痫信号的重要依据。

迄今为止，有很多方法被用于脑电癫痫信号识别[5]。1970年，Viglione等[6]利用对癫痫发病患者的长期脑电检测，发现在临床癫痫发作之前患者的脑电图会发生棘波、尖波、慢波等癫痫样放电。Majundar等[7]通过微分方差等简单的时域分析对癫痫脑电图进行特征提取。Khan[8]等通过频域方法离散小波变换分析脑电信号的时频特征，并在小波变换的基础上，进一步提取频谱特征。Daniel等[9]利用信号的复杂度和近似熵等非线性动力学特征应用于癫痫预警。刘伟楠[10]等使用功率谱对睡眠中的癫痫发作作出预测。

针对癫痫放电模式的多样化，将不同患者各自的癫痫脑电特点，通过机器学习[11]自动学习到最合适的特征才是理想的解决方案[12]。陈姗姗[13]结合小波变化和稀疏表示的方法对癫痫脑电信号进行特征分类。戴若梦[14]利用CNN卷积神经网络对运动想象脑电进行分类。吕健[15]利用小波变换和SVM支持向量机算法对癫痫脑电信号进行检测，最终预测癫痫脑电样本中癫痫信号的正确分类率为91.667%。……