脑电信号是来自大脑中神经元的离子电流产生的电压波动,其反映大脑生物电的活动规律并包含大量生理和疾病的信息。由于脑电信号与人的意识、情感及行为有着直接关联,从而衍生大量基于脑电信号的研究及应用,如脑机接口、情感识别和疲劳检测等。然而目前医学上的临床应用还是脑电信号的最为主要应用领域。脑电信号被用于诊断各种颅内病变,如脑中风、脑瘤等。这类疾病在发作时脑电活动的频率和节律会发生变化,脑电信号分析已成为用于这些疾病辅助诊断及治疗的必要手段,但是依然存在许多临床需求难以满足。脑电信号特征提取及分类方法的研究已经成为计算机科学、神经科学及医学领域中共同面对的研究课题。随着脑电信号的应用不断扩大,特别是可穿戴脑电采集设备的广泛应用,使脑电信号的数据更加丰富多样,对脑电信号特征提取及分类方法在准确性、普适性及实时性等方面都提出更高的要求。本文进行脑电信号特征提取及分类方法的研究,以若干癫痫疾病相关脑电数据集为测试数据,提出新方法提高现有方法的准确性、普适性及实时性。本文基于计算机对脑电信号的处理流程,对流程中的两个核心环节(特征提取方法和分类方法)开展研究工作。在特征提取方法的研究上,本文分别从三个不同角度提出三种不同的特征提取方法。针对信号分类,本文提出一种更具有普适性的分类方法。论文的研究内容主要包括以下四个方面:第一:提出一种基于多重分形去趋势波动分析方法的脑电信号特征提取方法(FE-MDFA)。由于脑电信号具有随机性、非平稳性及非线性,利用多重分形去趋势波动分析方法对脑电信号进行非线性分析,得到脑电信号样本的多重分形谱,然后进一步在信号样本的多重分形谱上提取可解释、具有清晰的物理意义的特征向量。通过该特征向量进行脑电信号分类研究。分类过程中,通过搜索算法进行分类模型超参数选择,并对小样本训练进行研究。第二:提出一种基于频域特征搜索的脑电信号特征提取方法(GAFDS)。现有的脑电信号分析方法可提取出大量的信号特征。该方法利用遗传算法在脑电信号频域上搜索有利于分类的若干特征。对该方法得的特征与一些常用的非线性动力学特征进行分析比较,并研究特征搜索的扩展性。分类过程中,进行扩大特征搜索范围提高分类准确率研究。第三:提出一种基于深度卷积网络和自编码器的脑电信号特征提取方法(AE-CDNN)。该方法研究有别于第一项与第二项基于现有特征分析方法进行人工设计或搜索特征方式,方法基于深度卷积网络和自编码器对脑电信号进行特征降维,从而提取信号特征。研究中该方法与主成分分析方法和稀疏随机映射方法降维得到的特征进行分类比较。同时对该方法得到特征的通用性和有效性进行研究,即研究基于这些特征在不同数据集中提高现有研究的分类准确率。第四:提出一种自适应不同采样频率的脑电信号的分类方法(CNN-E)。脑电数据呈现丰富多样,分类方法能否适用不同规格的脑电数据成为难题。针对具有不同采样频率和不同长度的脑电信号分类问题,对现有方法可能存在的局限进行分析,并研究有效解决方法。上述的三种脑电信号特征提取方法各有特点及适用范围,都能够在一定程度上提升脑电信号的分类准确率。针对脑电信号应用中的新问题,本文提出的分类方法具有较好的普适性,同时也适用于较短的数据分类进而满足分类实时性要求。本文工作进一步推动了脑电信号提取方法和分类方法的研究,为临床上脑电检测提供了重要的支撑。