癫痫是困扰医学界很久的一个难题,癫痫脑电信号的复杂性、突发性给癫痫的检测带来了很大的挑战。一般情况下,癫痫检测包含着信号预处理、特征提取、分类识别这三个过程。对于癫痫自动检测系统来说,识别癫痫的精度和预测癫痫的准确度对医生的治疗和患者的康复有着重要的意义。本文基于癫痫脑电信号的特征提取及分类识别两大问题,主要进行了如下研究:(1)提出了一种基于离散小波的癫痫脑电信号特征提取方法。首先,针对傅里叶变换的缺点引出了小波变换。接着比较了连续小波变换与离散小波变换处理脑电信号的优缺点,由于连续小波变换在分解癫痫脑电信号上有着较高的冗余度,本文采用了离散小波进行实验。最后,使用五层离散小波分解癫痫脑电信号来提取其时频特征。(2)提出了基于离散小波-快速样本熵的脑电信号特征提取方法,通过组合算法提取出最能反映癫痫脑电信号特性及脑电序列复杂度的特征值。提出了一种优化过的样本熵,即快速样本熵算法。接着对脑电原始信号计算样本熵来验证了两种样本熵算法的效率,结果表明,从时间成本的角度出发,快速样本熵算法的实验效果要明显比原始样本熵算法优秀。最后,使用快速样本熵算法对各组脑电数据的细节信号进行了运算。实验结果表明,健康志愿者的脑电波的细节部分的样本熵分布与癫痫患者的脑电波的细节部分的样本熵分布有着较大的差异,发现通过样本熵算法,健康志愿者和癫痫患者的脑电波已经达到了初步的分离效果。(3)提出了基于支持向量机和朴素贝叶斯算法的癫痫脑电信号的分类。首先引出了机器学习算法进行分类实验时的各项评价指标。最后通过将不同的特征:时频特征、非线性动力学特征、混合特征分别输入两种机器学习分类器中得到分类结果,比较了不同的特征对于分类结果的影响和两种不同的分类器对于不同的特征的分类效果。实验结果表明,通过时频特征和非线性动力学特征组成混合特征可以较好的反映癫痫脑电信号的特性,并且分类效果要优于单一的时频特征分类或者非线性动力学特征分类。