癫痫是一种常见的脑部疾病状态,目前世界上有大量的患者饱受癫痫带来的痛苦,而其中部分癫痫患者无法根治。癫痫发作的预测将会为这些无法根治的患者带来改善。目前癫痫发作的研究多集中于癫痫发作期间EEG的信号特征分析及使用单一的方法进行预测。本文基于上述现状对癫痫发病预测算法进行研究,提出了一种结合信号预处理和模式识别的算法,并通过仿真计算验证了算法在准确率、灵敏度、虚警率及预测区间上的性能,最后通过实时仿真测试的方式,验证了本文所提出的算法在不同病人EEG数据上的癫痫发病预测性能,达到了对特定癫痫病人发作预测的目的。在前人研究的理论基础上,结合本课题使用头皮EEG数据的分析,本文构建的算法包含二部分:信号预处理算法和模式识别算法。其中信号预处理算法以EEG信号的特定频段的能量为特征,先后分别使用了小波分解和谱功率的方法对EEG的能量特征进行提取。而模式识别算法主要以支持向量机为基础,对提取的特征数据进行分类训练和测试。二部分算法结合的目的是期望能够通过信号预处理算法提高模式识别算法在癫痫发病预测过程中的准确率,并尽可能降低虚警概率。而不同的算法组合是希望能够设计出针对基于头皮EEG信号的癫痫发病预测更为适用的预测算法。研究结果表明,使用小波能量对癫痫发作前和发作间期的EEG信号进行分析,其0.5~8 Hz频段的能量会在癫痫发作前2000秒左右有明显的提高。本文使用相对小波能量和支持向量机对该特征进行分析和预测,测试了9个病人的EEG数据,结果表明应用相对小波能量和支持向量机,算法可以准确预测出部分癫痫患者的癫痫发作,但仍有个别病人的误差较大。在信号预处理部分去掉小波变换后,使用谱功率对癫痫发作前的特征进行提取,并使用支持向量机进行分类训练和测试,结果表明在使用谱功率之后,算法的预测准确率对比相对小波能量有6个病人的测试数据有明显的提升。论文的最后对模拟实时预测癫痫发作和脑电通道的相关性进行了探讨。利用已经计算得出的支持向量机模型对一个病人的全部EEG进行测试,得出该算法可以在癫痫发作前2000~5000秒对癫痫的发作给出连续的警报,并且可以忽略预测过程中产生不连续的个别虚警信息。利用相关性对EEG的通道进行分析,在EEG的23个通道中,筛选出了14个通道。使用这14个通道的EEG数据,加快了运算速度,对在线检测效果有明显的提升,同时没有损失算法的性能。测试结果的6个病人中,有2个病人的准确率有所增加,3个病人的准确率维持在原有水平。