脑电信号是人脑的生理电信号,可以反映大脑的生理功能和思维状态,在神经系统疾病诊断和脑-机接口等领域都得到了广泛的应用。传统的脑电信号分析方法主要以人工阅读法为主,已经不能满足现代脑电信号分析的需求。基于机器学习的脑电信号自动分类正日益成为研究热点。基于机器学习的脑电信号自动分类主要包含特征提取、特征变换、分类器三部分。本文提出了基于回声状态网络的脑电信号特征提取方法。不同于现有脑电信号特征提取方法,该方法不是去寻找一些脑电信号描述量,而是对脑电信号进行系统辨识,并将系统辨识的结果作为脑电信号的特征。该方法在脑电信号特征提取过程中信息损失较少,保证了脑电信号自动分类可以达到较高的分类精度。本文将特征变换引入到脑电信号自动分类,采用主成分分析和线性判别分析两种特征变换方法降低脑电信号特征空间维数,提高脑电信号自动分类精度。最后,结合关联向量机和极限学习机两种新型的机器学习分类器,实现了波恩大学癫痫研究中心脑电信号的自动分类。仿真结果显示：基于回声状态网络的脑电信号特征提取可以很好地胜任癫痫脑电信号自动分类的任务：特征变换方法的引入,能有效降低脑电信号特征空间维数,提高分类精度；基于关联向量机和极限学习机的脑电信号自动分类方法在取得较高分类精度的同时,模型稀疏性和算法效率得到了大幅提升。