癫痫是一种由于大脑神经元异常地、过度地放电所引起的慢性神经疾病。癫痫所带来的生理和病理的伤害时刻影响着患者的日常生活。脑电图可以收集脑部的放电活动,已经成为临床中癫痫诊断的可靠工具。然而,大量的脑电图检测记录需要由具有丰富经验的专家靠视觉完成诊断。因此,可以建立一个自动癫痫检测系统来减轻专家的压力。此外,仅有75%的癫痫患者可以通过抗惊厥药物或手术治愈。剩余25%的患者只能在日常生活中遭受不可控的癫痫的困扰。因此,一个可靠的癫痫预测系统不仅可以提高他们的生活质量,还可以促进新的治疗方法的发展,例如植入式给药、神经电刺激疗法等。在本文中首先提出用核概率协作表示来检测癫痫脑电信号。对于脑电测试样本,该算法可以最大化其属于各个类别的最大概率,并且核方法可以将脑电信号映射到高维空间来克服其在原始空间线性不可分的问题。离散小波变换和微分算子首先被用来处理原始脑电信号。然后基于核概率协作表示用训练样本协作表示出测试样本,通过核对哪个类别具有最大的概率也就是具有最小的表示残差,最终决定其归属类别。最后采用后处理技术来减少误判点且获得更加稳定的结果。本文利用两个公开的脑电数据库来衡量所提出算法的性能,并取得了优异的结果。在本文中还提出用局部均值分解和卷积神经网络来实现癫痫预测。首先,采用局部均值分解将脑电信号分解为一系列的乘积函数,并选取第2、3、4个乘积函数送入到卷积神经网络中自动地进行特征提取。为了保留所提取特征中具有代表性的信息,采用主成分分析去除其中的冗余特征。然后,将这些已处理特征送入到贝叶斯线性判别分析中确定其属于发作前期还是间歇期。最后,采用后处理技术来减少误报的次数。所提出的算法在包含有21位患者脑电数据的Freiburg数据库来评估其性能,并且取得了87.7%的敏感度和0.25/h的误报率。实验结果表明所提出的算法远高于随机预测的准确率,并且可能成为潜在的临床癫痫预测的方法。本文所提出的癫痫自动检测和预测技术有助于促进该领域在脑电信号的概率协作表示及利用深度学习自动提取特征方向进行进一步地研究,也有助于促进相关理论的发展及检测和预测算法在临床应用领域的研究。本文所提出的算法有待于在更多实际的脑电数据上进行测试,更加全面地验证其临床应用的可行性。