癫痫是由大脑神经元细胞异常化放电而导致的一种常见的神经系统疾病。全球癫痫患者约有六千万,由于发展的不平衡,在医疗条件缺乏的国家或地区,大多数的癫痫患者得不到有效的治疗。对癫痫进行诊断判定时,临床研究中最常用的方法是脑电图(EEG)检查。由于采集的脑电数据较多,且混有一定的背景噪声,医生通过肉眼判定脑电信号是否具有癫痫波形特征时,存在一定的主观性,导致癫痫诊断的效率和准确性都会降低,从而耽误了癫痫患者的有效治疗。癫痫疾病发作时,脑电信号中含有大量的癫痫特征信息,因此,癫痫特征的提取识别和分类研究工作是必要的。将癫痫脑电信号中的癫痫特征准确的提取出来,对癫痫疾病的预防和治疗有重大的意义。本文在总结了国内外癫痫特征信号提取研究的基础上,提出了两种癫痫特征提取方法:1.采用小波变换和样本熵结合的癫痫特征提取方法。首先对癫痫脑电信号进行小波分解,得到不同分辨率的子频带,小波分解后的主要子频带中含有大量尖波、棘波等癫痫特征波形,然后对分解后的各个子频带求样本熵,运用熵值的大小来表示特征波形的信息,通过对比对应的子频带样本熵的大小,表示癫痫特征的提取结果。2.经验模态分解(EMD)可将癫痫脑电信号分解成不同尺度的本征模态函数(IMF),分解得到的主要IMF分量集中包含了信号的波动特点和特征趋势信息。本文采用EMD的算法原理,将癫痫脑电信号分解得到不同尺度的IMF分量,然后对主要的IMF分量求取均值、波动指数和样本熵,通过对比癫痫发作期和发作间期IMF分量的均值、波动指数和样本熵之间的差异,表示癫痫特征的提取结果。癫痫特征提取后,分别将两种方法得到的提取结果输入到极限学习机中分类,进一步验证特征提取的效果。经过一系列实验结果表明,上述两种方法对癫痫特征进行了有效的提取,两种特征提取方法都有较高的分类准确率,而且高于其他同类型研究方法。