癫痫是神经系统疾病中较多发的一类,会对人体造成极大的身心伤害,自动、准确地识别出癫痫发作的起止点有助于及时对患者进行治疗。本文结合机器学习方法对癫痫发作的自动识别算法进行研究,并基于CHB-MIT数据库中24位病人129次癫痫发作病例的数据,以每2秒为单位处理对算法进行验证。首先,运用支持向量机的方法对癫痫脑电信号进行识别。在小波分解获得脑电信号的四个特征频段信号的基础上,分别提取其时域信号方差、频域能量和小波能量特征构成12维特征向量。采用支持向量机进行分类,并提出患者特异的最佳阈值的多通道联合方法改进分类结果。测试结果显示,所有患者的平均准确率为80.53%,平均真阳性率为76.06%,平均假阳性率为11.00%,平均癫痫发作起止点的识别偏差为11.5秒。其次,运用卷积神经网络方法对癫痫脑电信号进行识别。对脑电信号进行时频联合分析,通过短时傅里叶变换将2s脑电信号转化为频率范围在32Hz以内的二维时频图像。采用LeNet-5结构的卷积神经网络进行分类,并提出多通道联合方法提高分类器性能。测试结果显示,所有患者基于32×32时频图像的平均识别准确率为90.13%,平均真阳性率为96.50%,平均假阳性率为7%,平均癫痫发作起止点的识别偏差为5.3秒。并从兼顾识别算法的精度与运算速度的角度比较了32×32、64×64、128×128和256×256大小的时频图像对算法准确率的敏感性,得出32×32大小的时频图最佳的结论。之后,分析了迭代次数、学习速率初值、冲量、权重衰减率等训练参数对卷积神经网络模型造成的影响,并提出采用已有的网络参数作为后续网络训练参数初值的微调方法,从而减少训练时间。最后,从特征提取、训练参数、分类器和实验结果四个方面对本文提出的基于支持向量机和基于卷积神经网络的分类方法进行对比。结果表明,本文中基于卷积神经网络的分类方法从各类指标上均优于基于支持向量机的分类方法。本文的研究结果为癫痫状态脑电信号的自动识别提供了理论基础,有助于癫痫临床治疗方案的研究。