癫痫是我们日常生活中普遍存在的一种慢性脑部神经疾病,随着全球范围内患病数量的上升,癫痫疾病对人类的伤害日益严重,因此对癫痫发作预测的研究是十分有必要的。在癫痫预测框架中,由于传统网络模型存在隐层单元个数和学习速率的设置不当会出现过拟合和不稳定情况,会导致网络预测效果不好。因此本文选用样本熵作为特征提取方法,提出对以物理学中电子能量跃迁的思想的电子搜索算法（ESA）进行改进,与传统长短期记忆网络（LSTM）结合作为癫痫发作预测中的分类模型构成癫痫预测模型。本文的主要研究内容如下:1)在进行癫痫发作预测之前需要对癫痫脑电数据进行特征提取,利用小波变换对脑电信号进行预处理,分解得到包含尖波、棘波等癫痫脑电信号特征的子频带,使用小波能量、样本熵和标准差计算信号的特征值。并利用支持向量机（SVM）、极限学习机（ELM）、LSTM网络与三种特征提取方法相结合进行实验分析,结果表明样本熵方法相比于其他两种方法效果更理想,因此选用样本熵作为实验的特征提取方法。2)网络超参数往往是影响网络性能的重要因素,针对这一弊端,利用ESA算法的自适应性高、收敛速度快、鲁棒性强的特点,提出改进的自适应ESA算法与传统的LSTM网络模型相结合,弥补LSTM网络对超参数调试能力差的缺陷,构建癫痫发作预测的E-LSTM网络模型。通过改进的ESA算法优化网络参数,包括隐藏层的单元个数和学习率,使得E-LSTM网络能够达到网络模型的最佳状态。使用E-LSTM网络进行模型测试,预测结果达到平均灵敏度91.11%,平均特异度为89.52%,平均准确度为90.40%。3)为验证模型的泛化能力,对四个网络模型通过交叉验证方法进行模型测试,比较模型的癫痫发作预测效果。在不同数据集下,E-LSTM模型传统与LSTM模型相比在灵敏度、特异度、准确度三个方面分别提高了3.9%、3.54%、4.64%,因此本文提出的E-LSTM网络可以作为预测分类的网络模型,实现癫痫发作的预测。