癫痫是由于大脑神经非正常放电导致的脑部障碍,如果癫痫发作时,病人没有得到及时治疗,将会增加其死亡率。目前脑电图检测是一种比较有效的癫痫疾病检测方法,但是仅仅靠人工检测分析达到对病人病情的实时监控几乎是不可能实现的,因此有关癫痫脑电信号的自动检测技术受到很大的关注。根据癫痫脑电信号的特点,本文中将脑电信号看作时间序列,病人处于正常状态时,时间序列是平稳的,当癫痫发作时,时间序列中则会出现异常。由于病理信号的规模较大,时间序列通常是无界流,直接分析是比较耗时的,计算起来需要大量时间。本文针对现有的癫痫疾病分析方法时间复杂度较大、对不同数据段不同位置的数据不敏感、且未能分析病理信号之间的关联关系等问题,提出单路脑电数据异常的快速检测方法即TSTKS方法;基于KST理论框架给出了多变量时序集的数据波动异常及其关联网络结构的分析方法;最后将TSTKS、KST与KS等多种方法综合应于构建关联网络。首先,基于突变点检测理论,实现了单路脑电数据异常的快速检测方法即TSTKS方法,通过合成数据和脑癫痫时序数据验证了TSTKS方法的快速性、准确性。TSTKS方法结合Harr小波和KS统统计在原始时间序列中构建三叉树并制定三条搜索策略提高了单路脑电数据检测的速度和精度。通过改变合成数据中不同时序信号的数量、突变点位置和直接检测癫痫脑电数据的实验对本文所提出的TSTKS算法加以分析,表明该算法能否准确、快速地检测到癫痫脑电信号中的异常点。其次,基于KST(Kolmogorov-Smirnov`Test和Student`Test)理论框架给出了多变量时序集的数据波动异常及其关联网络结构的分析方法,利用模拟数据和癫痫病理时序集验证了算法的可行性。KST方法集成了基于KS统计和T检验方法的优点,可以最大限度地捕获每个时间序列段中左,右边界或中间区域附近的数据波动特征,从而准确地构建无向相关网络FCN。通过对改变模拟数据中突变点位置、时间窗口长度等条件和采用真实癫痫数据构建关联网络的实验分析,验证KST框架能准确构建多变量癫痫数据波动异常的关联网络。最后将TSTKS、KST与KS等多种方法综合应用于脑癫痫病理时序集的数据异常及其关联网络结构分析中,进一步验证了本文方法的实用性、快速性和有效性。本文旨在针对已有的癫痫病理数据检测方法中存在的准确率不高、时间复杂度大的问题,提出了快速检测时序数据突变点和准确构建多变量癫痫数据波动异常关联网络的理论和方法,通过改变实验数据突变点位置、时间窗口长度等条件和直接检测癫痫电数据的实验验证本文所提方法能快速检测到病理数据异常及关联网络结构,并且该结果可能对未来的癫痫疾病诊疗起辅助作用。