癫痫发作会有临床表现和脑电信号的表现,一般两者结合判断,但是有些发作临床表现不明显,这时主要是依靠脑电信号判断,所以脑电信号是判断癫痫患者发作的重要依据,然而脑电信号的获得是通过放置适当的电极,贴在患者的头皮上,可想而知头皮脑电信号是存在着非常大的伪差的。癫痫发作随机性很大,常常难以记录到癫痫发作,所以想要获得更好的效果,需要记录一个患者完整的清醒-睡眠-清醒周期,监测时间则需要数小时到数天不等。目前,处理大量的数据并分析全部都需要医学工作者人工处理,不仅工作量巨大,而且难以实时反馈给临床。还可能会导致同一的数据但是不同分析数据的学者得出的结果是不一样的,非常缺乏很正确的、节省时间的方法。本文针对基于支持向量机的长程脑电检测癫痫发作时间研究,开展了以下方面的研究工作:(1)获取数据、对其预处理:按照获取真实的癫痫病人的数据以及正常人的数据,对数据进行预处理,去除错误、未记录的数据,去除伪迹,数据冗余分析,数据标准化,最终可以获得质量比较高的数据。(2)基于递归时间(Recurrence Time)的方法,可以对长程脑电数据进行特征提取,并且针对大量、长时间的脑电数据,可以很快的得出结果,处理存在较大伪差的头皮脑电信号,从中准确的找出癫痫发作信号的特征变量。(3)基于单分类支持向量机方法,是检测异常数据的方法,对于不均衡的医疗数据,可以较好的分类。通过训练,不断调整模型参数,获得一个好的模型将发作与正常类型可以分来,准确率提升。(4)对实验数据进行优化,利用功率谱密度区分伪差与癫痫发作;对实验数据结果进行分析,与SDLE方法进行对比分析,发现递归时间准确率更好。本文涉及数字化脑电信号的分析以及在临床中的应用。主要包括基于复杂性科学递归时间的非线性方法分析脑电图(EEG)信号、提取脑电的特征、进而从其特征中识别异常信号,协助医生判断发作情况,减少医生工作时间,并对癫痫发作预警的问题。课题研究具有重要的研究价值和科学意义。