癫痫是一种患病率较高的脑部疾病,由于儿童的大脑发育不成熟,儿童癫痫较成人癫痫更加复杂并且难以诊断。对于在脑电图（electroencephalogram,EEG）中具有中央颞区棘波的儿童,可能被诊断为儿童良性癫痫伴中央颞区棘波（Benign Childhood Epilepsy with Centro-temporal spikes,BECT）或者其他类型的癫痫。对脑电图和量表的分析能够帮助医生进行病情的诊断和整体把握,但是十分耗费医生的时间和精力,并且分析过程较为复杂繁琐。因此需要借助机器学习的方法实现准确率更高、时间成本更低的辅助诊断。本文的主要内容如下:1、提出了一种脑电信号的预处理方法。该方法主要针对静息态的脑电数据。预处理过程能够对脑电采集过程中产生的一些噪声进行分析和去除,主要包括滤波去噪部分和去除伪迹部分,其中滤波去噪部分主要去除基线漂移、工频干扰等硬件线路产生的噪声。去除伪迹部分主要基于EEGLAB及ADJUST插件,能够去除眼动伪迹、肌电伪迹等人为产生的成分。提出的方法更加适用于无医学背景的研究人员使用,过程简便快捷。2、基于脑电信号对被诊断为BECT或非BECT的患儿进行了分类。具有中央颞区棘波的患儿在诊断过程中容易出现“误诊”或者“漏诊”情况,文中提出两种方法对患儿的脑电数据进行了分类。第一种方法使用形态滤波器检测尖波位置,并利用尖波的几何结构提取尖波特征,结合随机森林（Random Forest,RF）和极端随机森林（Extreme RF,ERF）进行分类,在十折交叉验证的条件下能够得到73%左右的准确率;第二种方法使用了深度神经网络VGG16和Res Net18,将多通道的脑电信号作为网络输入,分别得到91.72%和90.49%的分类准确率,体现了深度学习的方法在医学辅助诊断中的重要意义。经过对比分析,两种方法的分类评价指标均优于现有方法中72.40%的准确率,具有较强的研究意义。3、基于脑电信号对患儿的睡眠习惯进行了预测分析。经过量表分析发现具有中央颞区棘波的患儿在睡眠方面与健康对照值具有显著性差异。因此文中设计了两种方法对睡眠量表中的睡眠总分以及八个维度均进行了预测分析。第一种方法使用了主成分分析（Principal Components Analysis,PCA）结合梯度提升回归树（Gradient Boosting Regression Tree,GBRT）的模型。使用十折交叉验证对睡眠总分进行预测,得到平均绝对误差（Mean Absolute Error,MAE）为7.18。量表中不同维度包含不同的睡眠行为,因此对各个维度的预测能够评估不同的睡眠习惯;第二种方法对Cz单通道脑电数据使用短时傅里叶变换（Short-Time Fourier Transform,STFT）转换为频谱图,结合改进的Res Net18网络进行预测。其中改进的Res Net18模型将分值预测看作为多分类任务,将网络经过Soft Max函数后得到的概率与对应分值区间的乘积和作为预测分值,针对睡眠总分能够得到MAE=0.46的结果。最后使用了个体间交叉验证的方法,将所有患者的数据分别作为新增的患者数据进行测试,得到MAE为5.49。文中所使用的两种方法均能够对患者的睡眠量表数据进行预测分析,帮助判断患者的睡眠习惯,辅助医护人员对患者的临床行为进行评估并制定相应的治疗方案。