مانیتورینگ حملات صرع عمدتاً به وسیله ی eeg انجام می شود. اگر چه این روش دقیق است، ولی چون در طی آن باید الکترود های eeg بر روی جمجمه بیمار قرار گیرد که فعالیت های بیمار را محدود می کند، برای بیمار روش خوشایندی نیست. این مسأله مانیتورینگ طولانی مدت بیمار در خانه را غیر ممکن می سازد. در این پایان نامه هدف ارائه یک سیستم تشخیص حمله صرع با استفاده از حسگر شتاب سنج است که مشکل ذکر شده را حل می کند. حسگرهای استفاده شده بی سیم هستند، که این به بیمار اجازه می دهد که فعالیت های عادی روزانه اش را انجام دهد. در این سیستم سه حسگر شتاب سنج دوبعدی استفاده شده است، مجموعه داده از سه بیمار که از حمله ی شدید صرع رنج می برند، برای طراحی یک الگوریتم آشکارسازی اتوماتیک به کار رفته است. سیستم ارائه شده در این تحقیق را می توان برای بیمارانی که در یک محیط محدود بیمارستان یا منزل به سر می برند استفاده کرد، که بالطبع این بیماران فقط دارای فعالیت های عادی روزانه می باشند. ابتدا اساس کار بر مبنای تشخیص حمله ی صرع درحالت خواب گذاشته شد، ولی در مراحل بعد توانستیم حمله ی صرع را از حرکات نرمال فرد مانند راه رفتن تشخیص دهیم. تجزیه و تحلیل داده های ثبت شده بر اساس شبکه های عصبی هوشمند، الگوریتم k نزدیک ترین همسایه و مدل مخفی مارکوف برای تشخیص حرکات ناشی از حمله صرع از حرکات نرمال است. این سیستم مانیتورینگ، بر اساس شبکه های حسگر بی سیم پیاده سازی شده است که می تواند زمانی که حمله صرع تشخیص داده شد، محل بیمار را شناسایی کرده و یک اخطار به مراقبان بیمار بفرستد. گره های حسگر بی سیم در این سیستم اجزایی به نام micaz mote هستند، که توسط تکنولوژی crossbow تهیه شده اند. نتایج این تحقیق نشان می دهد که بهترین الگوریتم برای آشکارسازی حمله ی صرع روش k نزدیک ترین همسایه است. ما نشان دادیم که اگر حداقل 50% سیگنال شامل نمونه های صرع باشد، می توان به درستی حمله صرع را تشخیص داد.