癫痫是一种常见的脑部疾病,由大脑神经元突发性异常放电引起。目前癫痫的诊断都是通过医生先仔细观察患者的脑电图,然后依据脑电图中的各类病理波成分预测癫痫类型和发作源位置。由于脑电图数据量很大,因此人工观察需要消耗大量时间。并且这样的脑电图检查方式在诊断过程中不可避免地夹杂了大量医生的主观判断,缺乏客观标准性,增加了误诊的风险。总的来说,目前的脑电图检查方式既增加了医生的负担,同时也导致了误诊风险的增加。在此背景下,本研究旨在研发一种脑电时间序列识别算法,使得能够由计算机自动识别癫痫患者脑电图中的各类型脑电波成分,为预测癫痫疾病类型和发作源位置提供可靠依据。为此本研究做了如下工作:首先,本研究采集了6名真实癫痫患者的24小时长程头皮脑电图。为了从长程脑电图中获取各类脑电波样本,本研究专门研发了一套脑电波形样本截取系统。将患者的长程脑电图导入脑电波形样本截取系统,经过长时间的仔细搜索,共找到并截取了1020个脑电波样本数据组成脑电波样本数据集。其次,本文提出了一种基于信息增益的脑电时间序列特征提取算法。先将各脑电波样本进行离散小波变换得到小波域样本集,再通过降维得到脑电波样本特征向量集。实验证明,所提出的特征提取算法能够有效提取各类脑电波中区分性较强的特征。经过特征提取,得到了区分性更强且维度更小的脑电波样本特征向量集,有利于提高后续分类器的分类精度与时间效率。再次,本文分别采用了层次支持向量机（SVM）分类算法、误差逆传播（BP）神经网络分类算法和极限学习机（ELM）分类算法对经特征提取后得到的各脑电波样本特征向量进行分类识别。在构建层次SVM分类器时,考虑到每个类型脑电波时限不同,在每层的SVM分类器上采用不同时长的脑电波数据进行分类操作,得到了更加精确和高效的效果。最后,本研究采用脑电波样本数据集对本研究提出的脑电时间序列特征提取算法和各个分类算法进行了性能测试实验。结果显示,由所提出的基于信息增益的特征提取算法和层次SVM分类算法组成的脑电时间序列识别算法取得了较好的识别效果,其准确率达到了88.7%。本文的研究成果可以减轻医生的工作负担,还能增加脑电图检查的客观标准性,具有一定的现实意义。