癫痫是一种常见的慢性神经性脑功能障碍疾病,癫痫发作具有反复性和突发性,虽然癫痫本身不具有致死性,但是却能造成患者智力发育缓慢、心理疾病、意外事故等,给患者带来了沉重的负担。目前仍有部分癫痫疾病无法得到治疗,如果能够实现癫痫发作实时自动预测,就能使癫痫患者及时采取保护措施,提高患者的安全感,弥补目前治疗手段的不足。本文的主要目的是希望通过对机器学习在癫痫发作预测方面的研究,来设计一种通过头皮脑电进行癫痫发作预测的算法,为实现癫痫发作实时自动预警提供理论支持。癫痫发作是癫痫脑电的状态由癫痫发作间期变化到癫痫发作期的过程,癫痫发作预测的关键就是能够识别这一过程的转变,本文将癫痫脑电状态分为四个时期:发作前期、发作间期、发作期、发作后期,因此癫痫发作预测问题可以归纳为一个二分类问题,即识别癫痫发作间期和癫痫发作前期的状态。为了研究哪些因素对癫痫发作预测有重要影响,本文分析了癫痫发作间期、癫痫发作前期癫痫脑电特征的变化情况,探讨了不同导联、不同时间窗、不同特征对不同机器学习模型结果的影响。首先采用小波时频分析对癫痫脑电进行了时频分析,然后通过小波变换、AR模型、多尺度排列熵提取了脑电信号的小波能量特征、谱功率特征、多尺度排列熵特征,分析了不同时间窗下特征的变化情况,通过散点矩阵和相关性分析研究了特征的分布及特征的有效性。最后用SVM和MLP模型进行癫痫发作预测,根据测试结果探讨了导联选择、时间窗、特征对模型结果的影响。另外本文还基于LSTM模型构建了两层LSTM神经网络,利用模型训练过程的可视化进行模型参数调优,用测试数据对模型测试,该模型对多个病例达到了90%的精确度。对比SVM、MLP、LSTM模型性能发现LSTM在癫痫发作预测上取得了相对较好的效果,通过个别病例的ROC曲线、KS值等参数进一步验证了LSTM模型的性能。最后采用平滑滤波达到降低误警率的目的。综上所述,本文的研究进一步加深了对癫痫发作机理的了解,通过不同条件下模型结果的比较,得到了影响癫痫发作预测的因素。本文构建两层LSTM模型在癫痫发作预测上取得了相对较好的结果,为癫痫发作预警系统的临床应用提供理论支持。