随着数据科学与生物医学的快速发展,基于脑电信号等其他众多电生理信号的研究已引起机器学习领域的高度关注。脑电信号是人体最为重要的电生理信号之一,这其中含丰富的生理和病理信息,脑电信号可以准确反映出人类大脑意识及大脑健康状况,在人脑疾病诊断方面发挥非常重要的作用。如何挖掘脑电信号重要特征,构建有效的脑电信号分类方法,是一项重要且富有挑战性的研究。本文以脑电信号为研究对象,提出了基于局部均值分解和迭代随机森林算法相结合的脑电信号分类方法。局部均值分解方法(LMD)具有一定的自适应性,相较于一些传统的信号处理方法模态混叠程度更轻一些,因此本文采用该方法对不同脑电信号进行信号处理,本文提出一种局部均值分解和迭代随机森林相结合的脑电信号分析方法。选取了Bonn大学癫痫脑电信号数据集中正常人睁眼时头皮表层与癫痫患者癫痫发作期、发作间期致痫区的300个单通道信号。首先利用MATLAB实现局部均值分解,将脑电信号进行处理。之后运用SAS对乘积函数和趋势项进行特征提取,通过R分别实现迭代随机森林、随机森林、支持向量机三种机器学习方法,调整最优参数,对每种方法采用十折交叉验证,并对比多种方法的分类结果,对分类模型进行性能评价,选择分类精度最高的方法。实验结果表明,在癫痫患者发作期与发作间期的脑电信号数据分类中本文所提出的这种自适应分解与迭代随机森林这种机器学习方法相结合的算法具有最优效果,达到了99.14%的分类精度,对健康志愿者睁眼脑电信号与癫痫发作期和癫痫发作间期的多分类精度达到75.05%,分类精度高于随机森林、支持向量机。综上,本文以脑电信号为研究对象,探讨了癫痫自动检测技术中核心的脑电信号分类算法,利用局部均值分解和迭代随机森林相结合的方法进行准确、稳定的癫痫检测,本文可以促进脑电信号自动检测的发展,为准确识别癫痫脑电信号提供一个有效可行的方法。