癫痫是由大脑神经元异常放电而引起的大脑功能性和神经性障碍疾病。癫痫发作具有反复性和突发性的特点,将严重影响患者的正常工作与日常生活,给患者带来心理上的阴影。目前,脑电图是研究癫痫发作的重要工具,具有较高的时间分辨率,对癫痫诊断具有明显的敏感性和特异性,是癫痫发作类型诊断和癫痫病症术前评估的重要依据和内容。然而,临床上,对癫痫患者的脑电图监测往往长达数天。医生需对脑电图进行癫痫发作标记和分析,不仅给医生带来繁重的工作量,而且也会影响医生的判读能力。本文通过设计癫痫脑电时频分析系统,进行癫痫脑电信号的采集与调理,在对遗传算法改进的基础上,对BP神经网络分类器进行优化,利用优化后的BP神经网络进行分类,实现癫痫发作检测。具体工作包括:首先,利用ADS1299模拟前端设计了16通道的癫痫脑电采集系统,实现了对于癫痫脑电信号的采集和调理;其次,根据癫痫脑电信号的时频特点,提取癫痫脑电信号的幅值、功率谱、经验模态分解后本征模态函数的相对能量和相对幅值时频特征;然后,通过高斯混合模型对癫痫脑电时频特征进行聚簇集合分析,利用最大期望算法估算高斯混合模型参量,获取遗传算法中选择算子的最优参数组合,实现对遗传算法的改进,为了减小BP神经网络对初始权重过于敏感的问题,利用改进遗传算法优化BP神经网络,获得神经网络的最佳初始权值和阈值,建立优化后的BP神经网络分类模型;最后,利用该模型对癫痫脑电时频特征分类和识别,实现癫痫发作检测与诊断。与传统遗传算法优化BP神经网络相比较,本系统提高了遗传算法种群的收敛速度、减小了BP神经网络的分类误差。在癫痫病症自动诊断中,癫痫发作检测准确率提高了8.9%,检测时间减小了79.1秒,在临床癫痫发作诊断中具有重要的研究意义。