癫痫是一种常见的神经系统疾病,癫痫的突然性发作会给患者的生活带来巨大的影响。临床上,癫痫的检测很大程度上依赖于经验丰富的神经科医生。医生根据患者的脑电图对患者的状态进行判断。这种人工检测方法需要医生长时间的观察患者的脑电图,十分影响医生的工作效率;同时,由于不同医生的不同经验,对同一脑电图很可能得到不同的评判结果。目前现有的癫痫发作自动检测的研究,多集中于建立基于患者的检测模型,即使用每个患者自身的数据训练一个适用于该患者的检测模型。这种方法训练得到的模型虽然对其针对的单个患者检测性能较好,但是在检测其他患者时,效果较差。同时,当一个新患者出现时,往往得不到该患者以往的发作数据,因此该患者就不能被很好的监控。基于以上问题,本文研究探讨了一种新的利用脑电信号实现跨患者的癫痫发作自动检测算法。首先,本文从网站下载公开头皮脑电数据集CHB-MIT,然后对下载的原始数据进行切分,得到发作期和发作间期样本。接着,使用四种滤波对原始数据进行滤波去噪,并得到最适合本文研究的巴特斯沃滤波器。之后,本文提出了一种新的特征提取算法MinMaxHist来测量脑电信号的波形变化,并使用MinMaxHist算法和一些其他的时域和非线性特征提取算法对脑电信号进行参数化处理,提取出脑电特征。接下来,本文使用多种特征选择算法,主要包括T检验、曼-惠特尼U检验、Acc-SVM方法、Acc-XGB方法、递归特征消除和序列后向选择算法,对脑电特征进行了一系列的特征筛选,得到了效果最好的特征子集。最后,将该特征子集作为分类器的输入数据,在支持向量机、K近邻、逻辑回归、AdaBoost和XGBoost五种分类器上训练模型,得到五种模型的分类结果,最后选择最好的分类模型XGBoost的分类结果作为实验最终结果。该模型在仅使用30个特征的情况下,实现了跨患者(与患者无关)的癫痫发作自动检测,模型准确率、灵敏度、特异性、马修斯相关系数和Kappa值分别为0.8627,0.8032,0.9222,0.7504和0.7254。同时,本文使用提出的方法,训练了基于患者的检测模型和半独立于患者的检测模型,实验结果表明,无论是在跨患者的癫痫自动检测模型上,还是在基于患者或半独立于患者的检测模型上,本文提出的方法均取得了很好的性能。本文通过使用癫痫患者的脑电信号研究出的脑电数据分析算法,未来可计划用于解决其他学科问题,如常见的使用脑电信号进行情感分析、睡眠分析和动作识别等问题。