第51卷收稿日期：2022年8月13日，修回日期：2022年9月27日基金项目：国家自然科学基金面上项目（编号：61671221）资助。作者简介：刘金森，女，硕士研究生，研究方向：生物医学信号检测与处理。黄炜嘉，女，博士研究生，讲师，研究方向：生物医学信号检测与处理。李效龙，男，硕士，副教授，研究方向：射频集成电路，生物医疗电子。∗1引言癫痫是一种危害极大的神经系统疾病，具有突发性与反复性，严重影响了病人的日常生活。越来越多的研究表明，癫痫发作具有可预测性［1］。如果能够在癫痫发作之前发出警报，提醒病人家属或者医生对病人采取相应措施来抑制癫痫发作，就能够减缓癫痫病人的痛苦，从而降低癫痫发作给患者带来的危害。目前，癫痫发作自动预测已经成为脑电疾病研究领域的热点问题。癫痫发作分为发作前期、发作期、发作后期和发作间期四个阶段［2］。癫痫预测的主要目标是对癫痫发作前期与癫痫发作间期的脑电信号进行区分，识别出发作前期信号并发出预警，进而达到癫痫预测目的。对于发作前期与发作间期的二分类问题主要分为特征提取和模式识别两个部分。在癫痫病人的脑电信号特征提取方面，学者们做了大量的研究基于粒子群优化支持向量机的癫痫发作预测∗刘金森黄炜嘉李效龙（江苏科技大学电子信息学院镇江212100）摘要为实现癫痫发作自动预测，采用一种基于粒子群（PSO）与支持向量机（SVM）方法相结合的癫痫发作预测模型。首先利用小波包变换提取小波包系数相对能量特征，接着将训练样本输入到支持向量机中，经过粒子群算法寻找最优参数从而实现对测试样本进行分类识别，最后论文提出一种阈值决策方法对支持向量机输出结果进行后处理。对CHB-MIT癫痫数据库中5名癫痫病人进行研究，通过与随机参数法、网格搜索方法对比分析，发现使用粒子群优化支持向量机提高了发作前期识别准确率，减少了误警率，从而取得更好的预测效果，证明了该方法的可行性，对癫痫预测研究具有一定的应用价值。关键词癫痫预测；小波包变换；支持向量机；粒子群算法中图分类号R318；TP391DOI：10.3969/j.issn.1672-9722.2023.03.037EpilepticSeizurePredictionBasedonSupportVectorMachineOptimizedbyParticleSwarmOptimizationLIUJinsenHUANGWeijiaLIXiaolong（CollegeofElectronicInformation，JiangsuUniversityofScienceandTechnology，Zhenjiang212100）AbstractInordertorealizetheautomaticpredictionofepilepticseizures，anepilepsypredictionmodelbas...
