癫痫是一种常见多发的慢性脑部疾病,反复发作会使患者精神和身体上都遭受极大的痛苦,甚至威胁到生命。目前癫痫诊断最常用的方法是脑电图(简称EEG)检查。由于癫痫发作是突发性的,且波形复杂,所以对癫痫诊断时需要对病人进行长时间的观察。临床脑电图检测手段往往是医生依据经验目测,而长期脑电图的回放分析会耗费医生大量的精力和时间,可能会造成许多癫痫波被忽略,导致总体识别效率低,同时又缺乏标准的制约,因此对癫痫脑电特征的自动识别就有很重要的研究意义。基于这种背景,本文设计了癫痫波特征量的提取方法和癫痫的识别方法。具体内容如下:首先,研究国内外癫痫特征提取与识别的现状,归纳总结存在的方法,综述它们的性能以及优缺点。其次,对小波变换和小波包分析相关技术作了详细的阐述。利用小波变换对癫痫棘波进行提取,在仿真中取得了较好的结果;然后利用小波包分析,提取癫痫信号在不同频段上的相对能量作为特征向量;最后,对癫痫棘波进行半波提取,提取棘波的半波特征量。最后,利用神经网络很强的自适应和学习能力、非线性映射能力,用于对癫痫信号的形态识别。比较一般的BP网络、改进的BP网络和基于遗传算法优化的BP网络,实验结果表明,遗传算法能够有效的克服BP网络训练速度慢和易陷入局部极值的不足,在形态识别方面比一般BP算法有很大的改进。