癫痫是第二大常见的神经疾病,癫痫发作会对患者的神经系统造成严重的损害。脑电信号（Electroencephalogram,EEG）的研究在医学领域应用十分广泛,针对癫痫患者EEG信号的分析是最为有效的检测及治疗手段。本课题基于患者多通道EEG信号进行研究,对癫痫EEG进行同步性分析,利用深度卷积神经网络对癫痫发作进行识别和预警,以便患者在癫痫发作前采取相应的保护措施,免受伤害。本课题主要内容如下:（1）为了准确识别癫痫EEG在不同状态下的特征提出一种新分类算法。该方法首先将癫痫EEG信号转换为功率谱密度能量图（Power spectrum density energy diagrams,PSDED）,应用深度卷积神经网络和迁移学习技术自动提取癫痫特征,最后将癫痫状态分为发作间期、发作前30分钟,发作前10分钟,发作期。通过训练结果表明,该方法在受试者EEG取得了良好的效果,四类癫痫状态分类平均准确率为95.025%,平均敏感性为94.9%,平均特异性为98.1%。（2）利用多尺度符号化排列传递熵的方法,分析多通道癫痫EEG信号并筛选重要的通道做更具体的分析。不同脑区在大脑内负责的功能不同,本文将多通道EEG信号划分为枕叶区、顶叶区、额叶区和颞叶区,研究不同脑区内EEG信号同步关系。结果表明,使用多尺度符号化排列传递熵得出的结果符合实际情况,且对通道间信息传递的分析有更好的效果;癫痫发作期患者枕叶区、顶叶区、额叶区同步强度减弱,而颞叶区同步强度增强。（3）基于多尺度符号化排列传递熵筛选患者癫痫发作的重要脑电通道,将功率谱能量图与同步矩阵图进行融合,采用深度卷积神经网络对癫痫患者的发作进行自动的预测,最终的分类准确率可以达到96.825%,设置癫痫发作预测范围（seizure prediction horizon,SPH）和发作发生期（seizure occurrence period,SOP）。当SPH为10分钟,SOP为10分钟时,预测敏感性达到96.66%以及预测的误检率可以达到0.03/h。当SPH为30分钟,SOP为10分钟时,预测敏感性达到93.17%以及预测的误检率可以达到0.05/h。分析癫痫患者EEG信号的耦合性、同步性并结合深度学习的方法对癫痫不同状态分类和发作预测,有助于病灶定位及辅助治疗,为癫痫发作预测提供了新的思路为。