癫痫是一种脑部神经元群阵发性异常放电所致神经功能异常的慢性精神疾病,它具有短暂性、突发性与反复性。一旦癫痫发作,患者会丧失意识、全身抽搐、精神失常等,严重的还会导致患者死亡或者残疾。因此,癫痫不仅会影响患者的正常工作和家庭生活,也会对社会造成负担。据统计,80%左右的癫痫患者都表现出脑电图异常,主要表现为棘波、尖波、棘-慢波、尖-慢波、多棘波等。目前为止,脑电图是进行癫痫研究以及诊断治疗癫痫的重要辅助工具。癫痫诊断的工作主要是由经验丰富的医疗工作者肉眼分析脑电图来完成。人工肉眼分析大量的脑电图是一项繁杂而又耗时的工作,检测效率低且存在主观性。计算机自动检测癫痫脑电信号是一种极有价值的诊断技术,不但可以减小医疗人员的工作负担,提高癫痫发作的诊断效率,还能够有助于加深对癫痫发作的内在机理及其规律的认识。传统的癫痫检测方法是先进行特征提取再送入分类器,特征提取主要靠人为选择特征,是一项比较困难的工作。当今时代,随着便携式医疗设备的出现,研究癫痫自动检测算法也面临着更大的挑战。所以,急需提出新的癫痫自动检测算法,不仅满足临床上的实时性要求,而且能够对癫痫发作进行有效抑制和治疗。因此,本文提出了一种基于字典对学习算法对长程颅内脑电进行癫痫发作检测的新方法,不需要进行繁琐的特征提取,而且算法运行速度较快,大大节省了检测时间,有利于实现算法的实时性。本文提出的基于字典对学习的癫痫检测算法主要分为:预处理阶段;字典对学习模型训练和检测阶段以及后处理阶段。首先,对脑电数据进行了分段,对脑电段采用小波滤波、微分操作以及核函数技术进行预处理,可以滤除原始脑电数据采集时的干扰噪声并使得癫痫发作期脑电信号与间歇期脑电信号之间的差异更加显著,为分类做准备。接下来是随机选取发作期脑电与间歇期脑电作为训练样本,再使用训练好的字典对来对测试样本进行稀疏编码,并计算重构误差。在字典对学习模型中,合成字典和分析字典是通过交替最小化方法从训练样本中联合学习得到的,并通过使用线性投影代替高代价的l0范数或l1范数优化来获得稀疏系数,从而大大减少了算法运行时间。最后,将与癫痫发作期脑电和间歇期脑电二者对应的子字典对相关的重构误差的差值作为判决值,并进行后处理以提高识别率,降低系统的误检率。对算法的评估实验采用了 20位癫痫患者包含81次发作的530个小时的数据,本文所提出的检测方法取得了基于段的灵敏度为93.39%,特异性为98.51%,基于事件的灵敏度为96.36%,误检率为0.236/h。