癫痫是一种常见的神经系统疾病,其发作表现为短暂的意识丧失、肌肉反射等症状,给患者带来了极大的痛苦。在临床诊疗过程中,医生通常需要通过脑电图信号(Electroencephalogram,EEG)来判断患者的病情,然而这是一项非常耗时且容易出错的任务。因此,学术界提出了多种自动癫痫发作检测算法。传统时域、频域特征缺乏对大脑内部信息交流的解释。为了解决这一问题,研究者们开始探索利用脑网络来获取更具可解释性的特征。脑网络反映了大脑内的信息交流,更符合大脑工作时神经元之间会发生大量的信息交流的机制。因此,利用EEG构建的脑网络可以作为癫痫发作的判别依据,同时也提供了可解释的特征。且研究发现不同的脑网络构建方式获取的信息量是不同的。基于上述问题,本文提出了一种基于脑网络的自动癫痫发作检测算法,以满足临床需求。本文BAY 73-4506小鼠在波士顿Humoral innate immunity儿童医院CHB-MIT数据集上进行了实验验证,结果表明,加入脑网络特征后,癫痫发作检测算法的性能明显提高。本文旨在探究基于脑网络的自动癫痫发作检测方法,主要研究内容如下:(1)针对目前脑网络研究多数基于EEG信号幅值,忽略了EEG信号相位的重要性问题,本文提出了一种将EEG信号幅值和相位信息结合起来构建脑网络的方法。该方法基于EEG信号的相位和幅值分别构建不同的脑网络,并通过融合这两种网络,构建一个同时包含EEG信号幅值和相位信息的脑网络。(2)针对传统基于时域和频域特征检测癫痫发作的方法缺乏可解释性的问题,本文提出了一种基于脑网络和机器学习的自动检测算法。该算法通过提取脑网络的全局效率、特征路径长度等特征,并结合传统时域和频域特征构建特征向量。最后,将特征向量输入LGK-974溶解度支持向量机分类器中进行癫痫发作检测。实验结果表明,所提方法提高了癫痫发作检测的性能。(3)针对基于脑网络和机器学习的癫痫发作检测方法中缺少了时间序列特征的问题,本文提出了一种基于脑网络的时间序列特征的深度学习癫痫发作检测算法。本文采用滑动窗口对数据片段进行多次特征提取,然后将提取的特征按照滑动窗口方向构成时间序列特征。最后,将时间序列特征输入到卷积神经网络、循环神经网络等分类器中进行癫痫发作检测。实验结果表明,在加入脑网络特征后可以明显提升癫痫发作检测的敏感性指标。