癫痫是由多种病因导致的临床综合性疾病,是常见的神经系统疾病之一。全球有5000万左右的癫痫患者,中国患病人数超过900万,患病率约为5~7‰。临床上根据线上采集的脑电图的特征对癫痫患者进行检测,但是,由于这项工作的主观性和随机性,医疗工作人员在视觉检查中对患者的脑电图采取研究并且总结结论,这是不充分的。因此,采取信号处理和模式识别方法对脑电信号进行检测从而减少主观误差和降低医疗工作者的工作强度,就显得尤为重要。近几年来,以信号处理和模式识别为基础,越来越多的脑电信号处理方法被用作研究,由于脑电信号的自身特性以及技术局限性的特点,不同的方法总会出现这样那样的问题,进而导致脑电信号的提取和处理中存在噪声、识别准确率低和评价指标较少的缺点。为了改善噪声干扰、识别准确率低和评价指标较少等情况,本文首先采用巴特沃斯带通滤波器对德国波恩大学实验室所提供的癫痫脑电数据进行去噪预处理,然后分别选取三种不同方法对纯净的癫痫脑电信号进行特征值提取和分类,最后引入随机森林算法评价指标对三种方法进行比较,得出评价效果。本文的研究工作主要分为以下几个方面:1.为了解决数据源缺陷、采集不够准确等障碍,本文采用线上采集、线下运用的德国波恩大学实验室所提供的癫痫脑电数据集作为信号源,该信号源具有时不变、稳定、采集准确度高和方便利用等特点,因此满足了实验数据要求。2.为了综合分析癫痫脑电信号的特征值提取并选取优异的算法,本文研究了基于小波变换、S变换和广义S变换对癫痫脑电信号进行特征值提取的方法和效果,并通过实验分别提取了三种算法下的癫痫脑电信号特征值,运用随机森林算法进行癫痫脑电信号的特征值分类后,在分类精度(准确率)的基础上引入特异性、敏感度和阳性预测值,本文形成四个评价指标的评价体系,优化了评价效果。3.为了得到分类评价指标高、分类评价体系完善的结果,本文实验结果表明将广义S变换系列运用于癫痫脑电信号的特征值提取中,可以得到较高的分类精度。本文根据大量实验结果进行统计,得到了98.564%的分类精度(准确率)平均值、98.077%的敏感度平均值、99.400%的特异性平均值和99.550%的阳性预测值平均值,从而达到了实验效果。论文最后将本文的实验结果与文献[51]~[56]的结果进行了横向对比,实验结果表明本文所提出的算法是具有较好的分类精度和分类指标多元化,达到论文预期目标。