癫痫病是一种常见的慢性神经性疾患,它会随机而反复地发作,对病人的身心健康和正常生活造成极大的负面影响。快速而准确地识别出发作病变对于癫痫病患者来说具有重要的意义,不仅可以指导病人合理地用药就医,而且可以使患者的家属及时获悉病情,从而使处于癫痫发作中的患者得到救助。目前,癫痫病的诊断以及患者癫痫发作的记录和识别,主要依靠医务人员对患者进行脑电图检查与分析来确定,这种方法虽然准确,但是获取和分析患者脑电图的过程十分费时费力,无法满足患者随时随地随身监测病情的需求。因此,自动而方便地监测癫痫患者的病情,又能对癫痫发作进行较为准确的识别,是追踪癫痫患者病情的迫切需求,也是未来研究的重点方向。以此为背景,本课题采用便携式的传感器装置,发展了相应的深度学习算法对癫痫发作的识别进行了研究。结合近些年发展迅猛的可穿戴健康监测设备,通过安装在一种腕带式手环平台上的加速度传感器,获取佩戴者的肢端动作信号,即手腕的三轴加速度信号,为癫痫发作识别提供原始的数据来源,同时解决了传统脑电图癫痫识别装置的便携性问题。为了更有效地分析,将采集到的原始数据做了进一步的预处理,包括滤波降噪,划窗分割,标准化以及时频联合分析等处理。构建了三种基于深度学习的神经网络算法模型,包括全连接神经网络模型,二维卷积神经网络模型和长短时记忆神经网络模型,通过对比上述几种不同算法模型的识别效果,找出合适的识别算法,进行了适当的改进,提高识别的正确率,降低识别过程中的误报率以及漏报率,最终建立了较为成熟的基于深度学习与手腕振动加速度信号的癫痫发作识别算法。