癫痫症(Epilepsy)作为一种常见的神经性疾病,其主要致病原因是由于大脑神经元异常放电。其主要特征为反复地癫痫发作,即为或长或短的严重抽出症状。癫痫的定义是患者在无诱发原因下持续重复的癫痫发作。它通常会导致短期的脑功能障碍,在神经病学中已经称为第二大常见疾病,其患病率仅次于头痛,严重危害患者的身心健康。作为癫痫临床诊断的有效方法,脑电图(EEG)起着不可替代的作用。大脑在活动时,大量神经元同步发生电位。它可以通过较为精密的电子设备,从头皮的各个部位准确记录其自发性生物电信号,进而通过放大器进行放大,将得到的波形进行记录。然而,通过脑电进行癫痫检测往往需要医护人员用肉眼进行判断。通常临床的长程脑电需要持续做24h左右,对如此长的脑电图进行判断不仅需要大量的时间和精力,而且在判断时医生的能力和精力有很大的差异,同时也具有很强的主观性。尤其是在某些非典型的脑电图波形中可能存在较大的差异。随着信息技术的普及以及各种机器学习算法的研究,癫痫自动检测也取得了长足的发展,从最初的半波脑电特征提取,逐渐演变到后来的时域、频域、时频域、非线性等特征提取方法的进一步改进,并与支持向量机(SVM)、随机森林(rf)等机器学习算法相结合对癫痫信号进行分类,使得分类的准确率大大提高,这是目前较为通用的一种检测方法。再到近年来随着人工智能技术被再次开发逐渐火热,研究者们将各种深度神经网络如人工神经网络(NN)、长短时记忆网络(LSTM)、卷积神经网络(CNN)等应用到癫痫检测领域。本文提出了一种基于S变换和贝叶斯卷积神经网络的癫痫分类检测算法。其中S变换是一种多尺度的时频域的特征提取方法,它既与傅里叶变换有着直接关系,可以由快速傅里叶变换计算出,同时又有着傅里叶变换没有的优点,在不同的频率其分辨率也不同,与小波变换也有着密切的关系。贝叶斯卷积网络是一种基于卷积神经网络的变种,其将概率模型引入深度神经网络的权重之中,对癫痫诊断领域加入了不确定因素,使分类网络更符合人脑的认知情况。本方法先通过S变换对信号进行预处理,得到信号的功率谱时频域特征图。然后使用贝叶斯卷积神经网络对得到的时频域特征图进行分类,最后使用平滑滤波器和领子技术进行后处理。该方法在来自21位患者的总共509小时的EEG数据中获得了99.03%的平均灵敏度,97.74%的特异性和97.75%的准确性。敏感性和特异性分别高达100%和99.94%。事件检测的灵敏度为96.67%,错误检测率为0.38。它为基于人工智能的癫痫检测提供了新的方法和思路。