癫痫是由于脑部神经元病变引起的,全世界有数千万人被影响。但是目前对于癫痫发作的分类还不是很准确,因此需要更多的网络模型来进行预测。如果能够开发出使用脑电信号（EEG）就能预测到癫痫发作的模型,对癫痫患者具有重要的意义。本文首先对国内外提取图像信息为特征的癫痫发作预测方法进行了总结,还对癫痫发作预测常用的模型进行了详细的介绍,以时间为切入点,总结了EEG的分析方法,最后对本文重点应用的相关知识进行了详细的介绍。本文主要成果如下:（1）对长程多通道EEG数据集,提出基于注意力机制的残差网络癫痫预测方法。首先,采用短时傅里叶变换（STFT）算法将波士顿儿童医院癫痫EEG数据集（CHB-MIT）的各电极60s的EEG转换为二维彩色时频图像,最后输入到带有注意力机制的残差网络中进行分类。针对数据集中电极个数较多的情况,将注意力机制中的通道注意力机制引入到电极维度上,为电极分配不同的权重,捕获不同电极之间的依赖关系和重要程度。还引入空间注意力机制,从频带和通道维度上进行自适应特征细化。残差网络可以缓解梯度消失和梯度爆炸的问题,通过卷积、池化操作自动学习特征。在实验部分,设计了多个对比实验对所提模型的性能进行评估,最终得到的平均准确率、灵敏度和特异度分别为92.07%、92%和92.40%。（2）针对EEG数据集中类别严重不平衡的问题,提出基于多频带相关性和CNN-Conv LSTM混合网络的癫痫发作预测方法。与发作间期相比,发作前期的成对电极之间存在更多相关性,因此在使用集合经验模态分解（EEMD）算法进行降噪之后提取出EEG多频带电极相关性的特征来区分大脑的状态。然后,采用混合网络同时提取EEG的时间特征和空间特征,从多个维度对EEG进行研究和分析。针对数据集类别不均衡会导致对模型的性能评估出现问题,将损失函数设置Focal loss,减少样本较多类别的权重,使模型在训练中更加关注难分类样本,从而提高预测的灵敏度和准确率。在实验部分,设计了对比实验对所提模型的性能进行评估,平均准确率、平均灵敏度、平均特异度和平均AUC分别是90.68%、89.84%、91.26%和0.908。