癫痫是一种由脑部神经元异常放电引起的神经系统疾病,具有反复性、突发性等特点。据世卫组织统计,全球约有5000万人遭受癫痫的困扰。该病患者会出现功能障碍、意识丧失、昏厥等临床表现,这严重危害了人们的身心安全,也给家庭和社会增加了负担。脑电图是医生在诊断和治疗癫痫的过程中十分重要的工具。专家通过肉眼分析脑电记录中包含的信息来确定癫痫病灶区以及每次发作事件的开始和结尾,并依此确定诊疗方案。由于脑电图的数据规模非常庞大,记录时长通常在24小时左右,人工分析脑电图不仅耗时耗力,也可能发生误判和漏判。随着信息技术的发展,越来越多的重复工作可以由计算机辅助完成。因此,利用计算机辅助技术实现癫痫自动检测对减轻医疗工作者负担和提高检测准确率有着十分重要的意义。自动癫痫检测技术迄今己有几十年的发展历史。最早的癫痫分析方法是半波脑电特征提取,随后逐渐演变到时频分析、稀疏表示、机器学习、深度神经网络等多种方法。癫痫检测技术的基本思路就是提取出癫痫脑电的特征波,并与正常脑电进行分析对比来判定癫痫发作。目前常用的方法是特征提取器和分类器相结合。特征提取器主要使用包括时域分析、频域分析、小波变换、非线性动力学分析等方法提取脑电信号特征,分类器主要包括支持向量机、随机森林、最近邻分类、人工神经网络等。本文提出了一种结合S变换和双向LSTM网络的癫痫自动检测算法。S变换是一种具有多分辨率、低复杂度的高性能时频分析方法,近年来在信号分析领域得到了广泛应用。双向LSTM神经网络是普通循环神经网络的改良变体,具有优良的时序分析能力,它被广泛应用在时间序列问题上,如心音检测、股市预测等领域。在本文中,我们首先使用S变化提取脑电信号时频矩阵,在进行特征压缩后送入双向LSTM神经网络训练和分类,并对输出的数据作后处理,得到最终判决结果。本文利用国际开源的德国弗莱堡大学长程脑电和美国波士顿儿童医院脑电数据进行测试,分别得到了 98.09%和96.55%的灵敏度。此外,我们积极地同医院开展合作,建立了 SH-SDU山大二附院数据库。在该数据集上,我们的系统也得到了敏感度93.31%的良好结果。实验结果表明本文提出的方法能够有效的实现癫痫检测,具有一定的实用价值。