癫痫是一种常见的脑部疾病,可以借助对脑电信号的分析来进行分析。对脑电信号自动分类方法的研究能够起到辅助诊断的作用,具有的积极的理论价值和实际意义。本文主要研究了基于系统辨识方法的癫痫脑电信号的分类问题,提出了两种脑电信号分析方法。针对癫痫脑电信号自动分类对应的特征提取和特征分类需要大量计算时间的不足,提出了基于自回归模型结合极限学习机的脑电信号分析方法。先通过自回归模型对脑电信号进行系统辨识,将系统辨识的结果作为特征提取结果。进一步引入极限学习机作为分类器对特征进行分类。该方法在保证分类精度的同时,能够显著提升算法的执行速度。另一方面,针对脑电信号具有一定的非线性,而传统线性模型特征提取会损失脑电信号信息的不足,提出了基于回声状态网络结合支持向量机的脑电信号处理方法。利用状态回升网络对脑电信号进行系统辨识,进而可得能够较好描述脑电信号信息的特征提取结果。引入支持向量机作为脑电信号分类器,可以在保证对应的结果具有较好的脑电分类精度。所提的两种方法在分类癫痫脑电信号时都表现出了良好的性能,在处理实际数据时达到了较高的精度。本文选择无监督方式直接对原始数据建立模型以对应参数作为特征,由于拟合精度高所以特征提取过程中保证了信息损失较少。进一步结合极限学习机和支持向量机对脑电特征进行分类,仿真实验验证了所提思路的有效性。