癫痫是大脑神经元突发性异常放电,导致短暂的大脑功能性障碍的一种神经系统疾病。癫痫患者中约有30%的患者是无法通过药物治疗控制的难治性癫痫。对于难治性癫痫,目前可以通过手术切除癫痫致痫区来治疗。脑电信号中高频振荡(High-frequency oscillations,HFOs)是定位致痫区的一种生物标记物。目前尚无公认的高频振荡检测方法,医生的主观判断依然是当前最常用的方法。但是人为肉眼识别,不但有极大的主观性,并且耗时耗力,这就需要一种新的检测高频振荡方法。研究显示生理性活动也会产生高频振荡,而只有病理性高频振荡与癫痫发作有关。所以区分高频振荡的生理性和病理性是当前一个重要的研究热点。本论文以颞叶癫痫患者的立体定向脑电图数据为对象,研究了一种新的高频振荡检测方法,并在此基础上通过对高频振荡信号的分析研究,提出了节律性指数和谐波相位同步指数两种新的特征,帮助区分生理性和病理性高频振荡。最后利用高频振荡信号的多维特征和机器学习方法对其作进一步分析,建立了上述特征与癫痫手术效果之间的关系。具体工作包括:首先,对颞叶癫痫患者立体定向脑电图数据进行预处理,做双极化处理使脑电信号去掉基线漂移等干扰;使用集合经验模态分解(EEMD)方法得到含有高频率段的内模函数,通过本研究开发的高频振荡检测方法对分解后的内模函数进行分析,提取高频振荡的发生时间、平均频率、频率标准差、时长、平均幅值、幅值标准差、节律性指数,及谐波相位同步指数等特征。然后,分析高频振荡节律性指数和谐波相位同步指数两个新的特征与患者手术治疗效果之间的关联。结果显示手术切除区域内的高频振荡节律性指数大于非手术切除区域内的高频振荡节律性指数;谐波相位同步指数可以有效的消除谐波干扰。利用支持向量机(SVM)对颞叶手术切除区内长时程高频振荡与非手术切除区高频振荡进行分类,其接受者操作特性曲线(ROC)的曲线下面积(AUC)达到0.96。当排除节律性指数特征时,AUC值降为0.69。结果表明节律性指数是对SVM分类影响最大的因素,节律性指数可以被用于分辨生理性高频振荡与病理性高频振荡。最后,本研究对检测到的高频振荡数据集的时长特征作进一步分析,定位了34段时长大于1秒的长时程高频振荡,其中有32段高频振荡位于癫痫发作的前1/3时间段,其中的33段长时程高频振荡位于颞叶区域。本研究说明位于颞叶癫痫发作初期的长时程高频振荡极有可能成为区分病理性高频振荡和生理性高频振荡的生物标记物,具有重要的临床价值。