癫痫综合征是癫痫疾病的精准类型,包含了多种复杂的发作症状。癫痫综合征的精准分类和分析,使医生能够及时地采取积极的预防措施,并针对性地使用抗癫痫药物。目前,儿童癫痫综合征的分类仅依赖于专家经验和脑电（EEG）临床特征。但仍然面临着一些问题,包括:1)缺乏对多模态信号的儿童癫痫综合征分类算法的研究;2)缺乏对不同癫痫综合征的发作期、发作间期的精准分类;3)缺乏对癫痫综合征、不同特征、不同时期的关联性研究及统计学分析。针对这些问题,本文的主要研究工作有以下几个方面:1.提出了基于脑电图（EEG）MFCC和LPCC特征与心电图（ECG）HRV特征融合的儿童癫痫综合征分类算法。本研究主要针对CAE和WEST两种常见的儿童癫痫综合征的两种时期（发作期和发作间期）的分类模型。该方法通过离散小波变换技术剔除掉原始ECG中的基线漂移并进行R波定位,进一步计算EEG和HRV的时域、频域特征。为了解决癫痫发作期和发作间期的样本不平衡问题,研究了SMOTE+Tomek Links数据均衡方法合成少数类样本。通过多组实验对比,提出的EEG+ECG融合特征对儿童癫痫综合征分类方法,在CHZU数据集上达到了98.37%的准确度。验证了多模态生理信号的分类性能优于单一生理信号。2.提出了基于心电图（ECG）HRV特征与脑电图（EEG）特征的统计分析和优化的儿童癫痫综合征分类算法。本研究主要针对于CAE、WEST、BECT三种癫痫综合征的两种时期（发作期与发作间期）。研究癫痫综合征、ECG的HRV和EEG特征、不同时期（发作期与发作间期）的关联性。相对于传统的对HRV信号静态特性的关注,该方法加入了非线性动力学特征以刻画心脏电活动的动态特性。针对不同时期的HRV时域、频域、非线性特征,进行了单因素方差分析,并讨论了不同癫痫综合征的ECG的HRV和EEG特征的相关性。最后将分析结果作为特征选择的理论依据,通过多组对比实验研究了基于EEG、ECG、EEG+ECG特征的儿童癫痫综合征分类模型的性能。证明了所提出的基于ECG的HRV和EEG特征的统计分析和综合征分类算法的有效性。3.开发了基于EEG+ECG儿童癫痫综合征智能分类系统。通过MATLAB GUI软件搭建了在线实时分类平台。该系统囊括了信号预处理、R波定位、特征提取、分类识别四个子模块,为辅助医生进行临床分类与针对性治疗提供便利。