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。由于癫痫通常是突发性的,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。癫痫脑电特征的自动识别可以解决这一问题。癫痫特征识别是以现代信号处理技术为基础而发展的,本文的主要研究目标是在调研现有的癫痫脑电信号识别方法的基础上,提出性能更高,可靠性更好的癫痫特征识别方法。本课题中我们深入研究了近似熵算法及其性质,并将近似熵分析方法运用于临床癫痫患者脑电信号的分析,证实了近似熵可以用于癫痫病患者的背景脑电信号和痫样放电的鉴别检测。针对近似熵存在的问题,选用一种与近似熵类似但精度更好的方法-样本熵,并同近似熵就在癫痫脑电信号中的应用进行了比较分析。结果显示癫痫发作时脑电信号的近似熵和样本熵均明显低于发作前和发作后。样本熵的变化幅度明显大于近似熵。在算法原理上对二者进行了探讨,并分别对癫痫的检测效果进行了评价。随着课题的深入,我们发现近似熵或样本熵在判读癫痫发作区段具有计算量少、可靠性高等优点,但在识别癫痫特征波类型方面就显得无能为力了。为此我们提出复杂度的方法同小波变换相结合的方法,来实现对癫痫样波的特征识别。首先探讨了小波变换应用于癫痫特征识别中的可行性,然后分别采用样本熵和小波变换对一系列含有癫痫发作特征的脑电数据进行处理,最后分析处理结果我们得出结论:采用近似熵或样本熵的方法同小波变换相结合的方法可以弥补两种方法单独使用时的不足,能够更加有效地实现癫痫特征波的识别。两种方法结合使用既避免了数据计算量庞大、可实现性差的缺点,又起到了相互验证的作用。