癫痫是一种脑内神经元异常放电,导致部分或整个脑功能障碍的慢性疾病,脑电图蕴含丰富的大脑机能信息,对癫痫疾病诊断具备很高的参考价值。在传统诊断过程中,医生需要收集患者一天或者多天的脑电数据,大量的脑电数据使得医务人员劳动强度增加,检测效率降低,而且医务人员可能受主观因素干扰,存在检查标准不一的弊端。因此,对癫痫疾病的智能诊断变得尤为重要。目前国内外学者对癫痫疾病诊断做出一些研究分析,但仍存在分类类别少,分类准确率低的问题。本文提出了基于小波分析,线性与非线性特征提取,特征向量系数分配,支持向量机,粒子群算法等技术的脑电分类方法。实验表明,本文所用的方法能够有效地把脑电数据分类成健康期,癫痫发作间歇期,癫痫发作期不同阶段,而且分类准确率有较大提升。本文具体内容:首先,论述了癫痫疾病智能诊断的国内外现状,对比各种研究方法的优缺点;脑电信号的种类以及癫痫脑电特征波形及频率分布。其次,介绍了癫痫脑电数据来源及小波变换预处理。将原始脑电信号经小波5层分解后,获得癫痫特征频段内的脑电信号。再次,提取癫痫特征频段内的线性与非线性特征,主要包括波动系数、近似熵、样本熵。作为本文的一个重要创新,根据不同状态、不同尺度脑电信号能量分布,调整特征向量系数,使得能量占比高的癫痫特征频段系数变高,能量占比低的癫痫特征频段系数变低,系数分配后构成最终的特征向量。最后,本文给出七种实验方案,利用支持向量机对脑电信号进行分类诊断,并且使用三种核函数,设置系数前后的特征向量,粒子群算法优化支持向量机。本文方法取得了良好实验效果,分类准确率达到99.83%。本文实验结果与其它文献进行对比,不仅将脑电信号分成三种类别而且提高了分类准确率,为后续研究提供一种新思路。在文章最后设计了该智能诊断系统的操作界面,该界面主要目的是简化操作步骤,利于观察实验仿真结果,使其在实际操作中能够得到广泛应用。