癫痫,是大脑神经元突发性异常放电,导致短暂的大脑功能障碍的一种慢性疾病。由于异常放电的起始部位和传递方式的不同,癫痫发作的临床表现复杂多样,可表现为发作性运动、感觉、自主神经、意识及精神障碍。关于该疾病,先前的研究大都是致力于寻找该疾病的生理病灶,或者构建网络,展示网络间或网络内的连接异常,很少有将该疾病数据与正常人数据进行个体模式识别和分类的研究。本文主要致力于用模式识别方法将癫痫疾病与正常人的磁共振数据区分开来,并且寻找一致连接区域,为预测和诊断癫痫疾病打下坚实的基础。主要工作如下:首先,针对癫痫患者脑功能连接个体差异的特征的临床识别问题,采用60例全面强直阵挛发作癫痫(GTCS)以及63例正常人的磁共振数据,利用功能连接方法构建大尺度脑功能网络为模式识别特征信息,并运用支持向量机进行分类,选择F分数排名前600的特征时,分类效果最好,其中三个指标的分值分别是:81.3%的正确率,73.33%的特异性以及88.89%的敏感性。最后对模式识别分类结果通过特征权重排序,寻找出一致连接区域,研究发现分类权重比较大的区域主要包括:背外侧额上回,眶部额上回,眶部额下回,额中回等等,这些脑区的显著性差异与前人的研究结果一致,其中分类权重最高的区域为背外侧额上回,可能是区分该疾病的重要特征;并证实了F分数算法对癫痫数据分类的有效性。其次,针对癫痫患者脑功能活动低频振荡幅度个体差异的特征临床识别问题,采用了60例GTCS以及63例正常人的磁共振数据,利用静息态功能磁共振数据进行分频计算,分别得到slow-5频段和slow-4频段的数据,并且分别计算两个频段的低频振荡幅度为分类特征,用Relief算法作为分类算法对两组数据进行特征选择,结果如下:稳定选择分数排名前500个特征时,在slow-5频段,分类器得到了最高的正确率80.9%(73.33%的敏感性,88.89%的特异性);在slow-4频段,分类器的最高正确率为79.6%(敏感性为72.63%,特异性为86.94%)。该研究发现slow-5频段的三个指标均略高于slow-4频段,说明特殊频段低频振荡幅度的研究对于该疾病的区分是有研究意义的。