癫痫是一种因大脑神经元过度放电所引起的神经系统疾病。脑电图包含了大量的生理和病理信息,是诊断癫痫的重要工具。临床上,医生通过视觉观察患者的24小时脑电图并结合发作史和家族病史进行癫痫诊断。但庞大的脑电数据量使得视觉检测脑电图非常耗时,并且医务人员的主观判断也可能会对检查结果产生影响。根据癫痫发作时脑电信号的特点,研究基于信号处理和机器学习的癫痫脑电信号自动分类算法具有重要意义。它能够极大地减轻医生的工作负担,提高癫痫患者的生活品质,为研究癫痫发病机理提供新的途径,受到了越来越多研究者的关注。然而癫痫发作时神经元放电的复杂性和多样性特点,给自动分类算法带来了挑战。针对现有癫痫脑电信号自动分类算法鲁棒性和泛化能力较差的问题,本文将分布熵和模糊熵进行融合,提出模糊分布熵、复值分布熵和复值模糊分布熵三种嵌入熵算法,分别针对基于嵌入熵的脑电信号自动分类算法的计算复杂度高且对嵌入熵参数敏感、基于嵌入熵的特征提取方法无法兼顾幅值和相位导致相位信息的丢失、基于传统小波变换的脑电信号自动分类算法鲁棒性和泛化能力较差这三问题展开研究,探索结合时频变换和非线性动力学分析的多域联合分析法在癫痫辅助诊断的有效性。本文的主要研究工作和创新点如下:(1)针对基于嵌入熵的脑电信号自动分类算法的计算复杂度高且对嵌入熵参数敏感的问题,将分布熵和模糊熵进行有机结合,提出了模糊分布熵算法,设计了联合小波包变换、模糊分布熵、Mann-Whitney U检验和最近邻的癫痫脑电信号自动分类算法。模糊分布熵能够准确估计实值序列的复杂性,比模糊熵等传统嵌入熵拥有更低的计算复杂度。设计的分类算法利用小波包变换的时频局部表征能力并结合模糊分布熵的非线性动力学分析能力,实现了对脑电信号子频段复杂性的定量描述。在波恩脑电数据集七种分类任务中,提出的分类算法均取得了不低于99.963%的特异性、98.450%的敏感度、99.400%的分类准确率和0.989的Matthew相关系数;在波士顿儿童医院脑电数据集上的平均分类准确率和平均Matthew相关系数也分别达到了99.046%和0.795。实验结果表明,本文算法具有更好的鲁棒性,比基于分布熵和模糊熵的分类算法拥有更好的分类效果。(2)针对基于嵌入熵的特征提取方法无法兼顾幅值和相位造成相位信息的丢失的问题,将分布熵和模糊分布熵扩展到复数域,提出了基于等环宽和等面积两种原则的复值分布熵和复值模糊分布熵算法,设计了融合灵活解析小波变换、复值模糊分布熵、Mann-Whitney U检验和K近邻的癫痫脑电信号自动分类算法。复值分布熵和复值模糊分布熵能同时兼顾信号的幅值和相位信息。将灵活解析小波变换和复值模糊分布熵进行有机融合,利用灵活解析小波变换灵活的时频面划分特性和复值模糊分布熵的非线性表征能力,实现了对小波子频段复值系数复杂性的估计,避免了子频段重构操作,有效地降低了计算量。所提出的分类算法在波恩和波士顿儿童医院两个脑电数据集均取得了不低于99.151%的最大特异性、97.329%的最大敏感度和99.130%的最大分类准确率,实现了自动识别癫痫脑电信号的目的。(3)针对基于单小波基小波变换的脑电信号自动分类算法鲁棒性和泛化能力较差的问题,引入多小波基分析并提出了五种小波基选取规则,设计了基于多小波基提升小波包变换、混合特征、核主成分分析和最小二乘支持向量机的癫痫脑电信号自动分类算法。将多小波基提升小波包变换和核主成分分析进行结合,通过多小波基提升小波包变换并结合标准差、模糊分布熵和复值模糊分布熵等10种参数实现了对脑电信号的多角度、多尺度特征挖掘;采用核主成分分析对提取的高维特征进行特征选择,保留区分度大的特征,降低了特征的冗余度并降低了后续模式分类的计算量。在波恩和波士顿儿童医院两个脑电数据集的实验结果表明,最小皮尔逊相关系数和是最佳的小波基选取规则,且分类算法对小波基的变化不敏感。提出的分类算法对不同分类任务和不同受试者脑电信号均取得了98.484%和98.445%以上的特异性和分类准确率。与其它方法相比,提出的分类算法具有良好的鲁棒性和泛化能力。本文提出的三种结合小波分析和改进分布熵的多域联合分析法实现了对非癫痫发作期和癫痫发作期脑电信号的准确分类。论文的研究工作为下一步癫痫辅助诊断系统的开发奠定了理论基础,为研究脑疾病发病机理提供了一种新的思路。