癫痫是一种慢性、反复性的脑部功能障碍疾病,也是一种极难治愈的神经系统疾病。由于神经元不定时地过度放电导致癫痫发作,癫痫患者及家人的生活质量因受癫痫反复突发的影响而严重下降。临床诊断或治疗中使用脑电图作为重要指导性的工具,脑电图包含丰富的生理与病理信息。目前,通过人工解读癫痫患者脑电图完成诊断工作是临床上常用的诊断癫痫方法。人工诊断耗时长、工作枯燥且掺杂医生的主观判断因素,因此,发展一套癫痫自动检测系统,自动分析脑电图,可以减轻医生的负担,提高工作效率,对于癫痫的诊断与治疗具有显著意义。本文提出了基于双向LSTM深度网络的癫痫自动检测方法。首先采用对非平稳信号的分析具有良好性能的局部均值分解技术,将原始脑电信号分解成一系列具有物理意义的乘积函数,并选择前三个乘积函数分量进行统计学特征计算;再将其送入所构建的双向LSTM深度网络模型,进行特征学习与分类识别。双向LSTM深度网络可以进行前后两个方向建模,适于分析长程脑电信号。同时,不断调整双向LSTM网络的训练参数,使其达到对脑电信号分析的最佳状态;最后采用后处理技术对该深度网络的输出结果进行优化,从而可进一步提高自动检测的准确性。本文所提出的癫痫发作检测方法在包含24个病例长达877.39小时的脑电数据上,取得了93.61%的平均敏感性、91.85%的平均特异性,和92.66%的平均G-均值。同时,在对比试验中,与经典的单向LSTM网络相比,本文所构建的双向LSTM深度网络具有显著优势。而与其他已发表的成果进行综合比较,可以发现本文所提出的方法在癫痫发作自动检测上的优异性能。此外,本文所提出的方法有待于在更多可靠的脑电数据上进行测试,以便全面地验证其临床应用的可行性。