癫痫是一种慢性脑部疾病,由于脑部神经元异常放电而导致大脑功能障碍。癫痫的反复发作会对患者生活造成极大的限制,影响其生活质量。目前,临床上多用长程脑电记录对癫痫发作进行检测,而对癫痫患者脑电图的分析可以帮助医务工作者诊断病情,定位致痫灶,并进行相应的治疗。然而,对患者脑电图的检测和分析工作主要由医务工作者通过视觉来完成,繁重而耗时。因此,利用计算机自动完成对癫痫发作期的标记工作显得尤为迫切。自上世纪80年代,癫痫发作自动检测就受到了广泛关注。在癫痫发作期,脑部神经元会产生大量慢波、尖波、棘波等特征波,并且该时期波形变化比间歇期更加剧烈。利用这一特点,众多研究利用计算机模拟医务工作者视觉判断的过程,对脑电信号进行特征提取,然后分类识别,从而达到自动检测癫痫发作的目的。本文提出了基于Gradient Boosting算法的癫痫发作检测方法,并与贝叶斯分类器进行了比较分析。首先,利用小波分解技术对脑电信号进行预处理,提取常出现癫痫发作活动的频带；其次,在所选频带上计算波动指数、相对能量、功率谱密度等多个特征来定量地描述脑电活动；最后,将脑电特征向量送入已进行过训练的分类器进行分类识别,从而实现对癫痫发作的自动检测。本文利用Gradient Boosting算法设计了分类器,并在国际开源的长程脑电数据库上对其分别进行了实验验证和评价。通过对实验结果的分析和对比,可以发现基于Gradient Boosting算法的癫痫检测方法计算量较小、运算时间较短、实时检测性能较强,更加适用于临床应用。