全球约有癫痫患者5000万人,在我国大约有1000万人,癫痫发作是脑皮质中异常过度的神经元自发、同步放电导致的,持续发作的癫痫可能会造成患者的永久性损伤,甚至死亡。癫痫的发作具有突发性和反复性,严重影响了患者的正常工作和生活。因此,有效的癫痫发作预测能够减缓癫痫患者的痛苦,进一步保证癫痫患者的生命安全。在预测癫痫发作的基础上,还可以应用各种干预方法(例如通过递送短效抗癫痫药物或通过施加电刺激)抑制癫痫发作。目前,癫痫发作自动预测已经成为癫痫研究领域的热点。但是,用于识别癫痫发作前期的脑电特征学习是发作预测技术的瓶颈。本文利用深度学习来自动学习用于发作预测的脑电特征,有效地实现了癫痫发作预测。本文提出了基于双向LSTM的癫痫发作预测方法,首先将每个患者不同导联的脑电图(EEG)拼接滤波,同时提取描述脑电信号波形的多种线性特征,然后构建用于癫痫发作间期和发作前期的深度双向LSTM网络,并将特征向量送入该双向LSTM网络中针对癫痫发作前期和发作间期进行特征学习,经过网络的正反脑电数据处理最终实现发作间期和发作前期的脑电分类;最后通过一定规则的后处理实现结果的优化,提高了预测的正确率。本文在9例颞叶癫痫患者的临床脑电数据上,通过SOP、SPH、灵敏度、误报率、平均预测时间等性能指标对所构建的深层双向LSTM网络进行性能评估。实验中,总共发作次数为29次,预测正确为24次,平均误报率为0.17/h,从而证明了基于双向LSTM的脑电特征学习的癫痫发作预测系统有着较好的预测性能。对于平均预测时间,有一半以上的患者具有较长的预测时间,平均预测时间为35.47min,能够在癫痫发作之前为患者提供充足的治疗和心理准备。在颞叶癫痫患者的基础上,今后的工作会对其他病灶区患者进行实验,更加充分地完善预测系统。