癫痫是一种由大脑神经元同步化异常放电所引起的脑部疾病,具有突发性和反复性。患者发病时,会出现晕厥、不自主的颤抖等症状,严重者甚至会有生命危险。因此,准确的识别癫痫发病前的状态,能使患者提前做好有效的预防措施,避免遭受癫痫发病所造成的二次伤害。脑电信号记录了神经元的放电情况,是研究癫痫发病特征的重要工具,癫痫病患者的脑电信号在癫痫发作期,发作前期以及发作前期呈现处的信号特征有很大的差别,大部分研究集中在基于脑电信号的癫痫发作检测,专门针对发作前期预测的研究较少。相比于发作检测,准确的前期预测能帮助患者提前做好有效的防护措施,降低二次伤害。目前的研究主要存在两个缺陷:(1)发病前期一般定义为1个小时左右,这对于癫痫发作预测而言,时间的区间跨度太大。过早的发作前期预测会引起患者焦虑,起到反作用,而过晚的前期预测会导致病患没有充足的时间做好防护措施。(2)针对个体患者,发作期持续时间远远少于间歇期与发作前期,形成了一个典型的不均衡集分类问题;但目前已有的研究成果都没有考虑数据分布的不均衡性。针对以上缺陷,本文首先将发作前一个小时进行了更加精细的划分,并提出了基于小波包非线性特征和随机森林的癫痫发作预测模型,通过实验论证了模型的有效性;其次,研究了基于不均衡集分类算法的癫痫发作检测与发作前期预测方法,分别从数据集和分类算法两个方面进行了优化,提出了KM-SMOTE+Blending的不均衡集分类模型。具体的研究内容如下:1.提出了基于脑电信号小波包非线性特征与随机森林相结合的癫痫发作预测模型。首先对癫痫发作前期进行均等分划分,然后在小波包分解的基础上提取子带能量比、香农熵、对数能量熵和范数熵等小波包非线性特征,最后利用随机森林对特征进行分类,从而实现癫痫状态的分类。实验表明,对癫痫发病前期进行三等分划分后,基于脑电信号小波包非线性特征与随机森林相结合的癫痫发作预测模型在CHB-MIT数据集上的平均分类准确率为84.8%。2.提出了针对不均衡样本集的癫痫发作前期预测方法。在长时程连续的脑电检测过程中,癫痫发作突然且持续时间短,构成了一个典型的不均衡集分类问题。针对这个不均衡脑电数据进行分类问题,首先采用KM-SMOTE算法对不均衡脑电数据集进行均衡化,然后基于Blending算法对多种类随机森林分类进行融合。实验结果表明,基于KM-SMOTE和Blending融合算法的识别模型能够有效提高癫痫发作前状态的预测效果。