癫痫是一种常见的神经系统疾病,其特征是反复发作,对癫痫发作的有效预测可以为癫痫患者提供及时的预防措施。癫痫发作在不同患者之间及同一患者不同癫痫发作之间的脑电表现形式均存在差异,最近兴起的深度学习技术克服了传统机器学习方法需要人工提取特征的缺点,因此本文提出基于深度学习和头皮脑电数据建立癫痫发作个性化预测模型。本文以CHB-MIT公共癫痫数据集为研究对象。利用短时傅里叶变换(Short-time Fourier Transform,STFT)将一维脑电数据转换为被卷积神经网络(Convolutional Neural Network,CNN)识别的图像格式,解决了从一维脑电手动提取癫痫特征的问题。转换时利用滑动窗分割方法处理癫痫发作间期和癫痫发作前期数据,解决了特异性患者数据样本少的问题。通过对CNN、极限学习机(Extreme Learning Machine,ELM)和长短期记忆神经网络(Long-Short-Term Memory Neural Network,LSTM)的分析,建立了三个基于CNN的癫痫发作个性化预测模型。CNN模型可以从癫痫脑电转换成的图像中自动提取特征,但是模型学习速率慢。CNN-LSTM能够自动提取特征和强化时间特征,但是模型学习速率慢。CNN-ELM模型学习能力和泛化能力强。进一步利用CHB-MIT中14名患者癫痫脑电数据进行个性化预测,结果为:在CNN上获得的准确率为92.8%,灵敏度为92.2%,误报率为0.067/h,特异性为93.3%,AUC表现为0.97;在CNN-LSTM获得的准确率高达93.2%,一半以上患者的灵敏度高于90%,误报率低至0.060/h,特异性为94%,AUC表现为0.98。在CNN-ELM获得的准确率为95.6%,灵敏度为95.8%,误报率为0.045/h,特异性为95.4%,AUC表现为0.95。每位患者在三个模型中至少有一个适合自己的个性化模型,其中CNN-ELM模型整体预测效果更好。研究表明,CNN-ELM模型可以有效完成癫痫发作个性化预测,为今后的癫痫预测研究提供理论依据,具有重大意义。