In medical diagnostics, epilepsy is recognized by observation of EEG. Epilepsy is often highly correlated with a series of seizures that last longer 3 seconds. Detection of these features is the most important problem for automatic recognition purposes. In signal processing, the recognition accuracy often depends on the feature extraction. Recently, deep learning was a useful tool for the feature extraction of epileptic seizures from EEG. Even though deep learning is the best method for this issue, it requires strong hardware for its computing. This paper will point out that the exponent function can extract the feature of seizures. The exponent function is simple therefore this solution may setup on any platform. The experimental results show that our method has the advantage in case of complicated epileptic seizures. In EEG, the exponent function indicates the location of seizures in a time series. The detection model is extended for epilepsy recognization.Trong chẩn đoán y khoa, bệnh động kinh được nhận biết bằng quan sát điện não đồ. Bệnh động kinh thường có mối tương quan chặt chẽ với một loạt cơn động kinh kéo dài hơn 3 giây. Việc phát hiện các đặc điểm này là vấn đề quan trọng nhất cho mục đích nhận dạng tự động. Trong xử lý tín hiệu, độ chính xác nhận dạng thường phụ thuộc vào việc trích xuất đặc trưng. Gần đây, học sâu là một công cụ hữu ích để trích xuất đặc điểm các cơn động kinh từ điện não đồ. Mặc dù học sâu là phương pháp tốt nhất cho vấn đề này nhưng nó đòi hỏi phần cứng mạnh để tính toán. Bài báo này sẽ chỉ ra rằng hàm số mũ có thể rút ra được đặc điểm của cơn động kinh. Hàm số mũ rất đơn giản nên giải pháp này có thể thiết lập trên mọi nền tảng. Kết quả thực nghiệm cho thấy phương pháp của chúng tôi có ưu điểm trong trường hợp các cơn động kinh phức tạp. Trong EEG, hàm số mũ cho biết vị trí của các cơn động kinh theo chuỗi thời gian. Mô hình phát hiện được mở rộng để nhận biết bệnh động kinh.