癫痫是一种常见的慢性神经系统疾病，给病患和家属带来了巨大的生理和心理创伤。自动、准确地识别癫痫发作状态有助于及时对病患进行救治。本文基于深度学习方法对癫痫状态自动识别算法进行研究，并使用CHB-MIT数据库中17例病患的长程脑电记录数据对算法进行验证，具体工作内容如下：
　　预处理：以2秒为单位把原始长程脑电记录截取成样本片段，然后基于小波分解与重构理论提取0～32Hz的分量进行研究，从而滤除脑电采集过程中的工频干扰和其他高频噪声。
　　一维卷积神经网络通用模型：基于多个病患的脑电数据和一维卷积神经网络，建立癫痫状态识别的通用模型。通用模型学习不同病患癫痫发作时脑电状态的共性特征，以实现对不同病患癫痫发作状态的通用识别。随机选取各个病患数据集45%的样本数据构成通用模型数据集，然后对模型进行训练。最终测试结果显示平均准确率为72.52%，平均真阳性率为73.86%，平均假阳性率为28.35%。
　　癫痫脑电通道选择：实际研究中使用的脑电数据一般为多通道脑电数据，数据量庞大并且包含较多的冗余信息。因此需要进行通道选择，首先基于时频特征分析和卷积自编码器对病患各个通道的脑电数据进行特征提取；然后基于费舍尔(Fisher)准则对各个通道的特征集合进行相关性评价；最后选取与分类任务相关性最高的若干通道作为通道子集。与基于方差的通道选择方法相比，本文方法得到的通道子集与分类任务的相关性更大。
　　癫痫状态识别个性化模型：基于单个病患的脑电数据和一维卷积神经网络，建立癫痫状态识别的个性化模型。个性化模型的数据集由通道选择方法得出的通道子集样本经过数据扩增后生成。利用迁移学习的方法将癫痫状态识别通用模型的参数迁移到个性化模型之中以简化训练、加速收敛。最终所有病患个性化模型的平均准确率达到了91.04%，平均真阳性率为92.05%，平均真阴性率为90.73%，平均假阳性率为9.27%。基于个性化模型对病患的长程脑电记录进行癫痫发作起止时间判断，模型对癫痫发作和结束状态的检出率在测试数据集上达到了96.43%和89.29%。
　　本文方法发挥了深度学习无需手动提取、选择特征的优点。研究成果为癫痫状态识别方法提供了参考与依据，有助于癫痫治疗方案的发展与研究。