癫痫是一种严重危害人类健康的常见慢性脑部疾病,其发作时表现为大脑神经元兴奋性增高以及过度同步化放电,并导致短暂性中枢神经系统功能失常。脑电图检查是一种有效的临床诊断方法,它为癫痫的诊断提供了可靠的信息。由于癫痫通常具有突发性,所以需要对病人进行长时间的观察。目前,这项任务主要是由人工视觉检测来完成的。视觉检测既费时,效率又低,而且视觉检测缺乏标准的制约。癫痫脑电的自动识别可以解决这一问题,本文重点讨论脑电信号的特征提取和特征选择两个方面的问题,所取得的主要创新成果有:第一,针对传统的时域和频域分析方法难以充分提取脑电信号中的非线性特征信息的问题,本文提出一种基于小波包分解和近似熵的非线性特征提取方法,并利用支持向量机作为分类器验证该方法的有效性。该方法首先将EEG信号通过四层小波包变换分解到不同频段,然后计算各频段小波系数的近似熵(ApEn)值作为特征向量,最后使用支持向量机(SVM)进行分类。仿真实验结果表明该特征提取方法能有效地提高分类准确率。第二,针对目前基于随机搜索算法的特征选择方法在高维空间中搜索容易陷入局部最优的缺点,本文提出了一种基于一维PSO搜索的特征选择算法。该算法将N维离散空间的优化问题转换为一维连续空间的优化问题,然后利用微粒群算法(PSO)求解该问题。仿真实验表明,该算法不仅能大大降低特征子集的规模,而且能有效地提高分类准确率。