癫痫脑电信号的自动监测与分类在临床医学上具有重要意义。癫痫脑电信号中包含丰富的生理信息和病理信息,从癫痫脑电信号中提取出有效的信息不仅可以为癫痫等脑部疾病的确诊提供依据,还可以辅助确诊以后的治疗。癫痫脑电信号需要经过适当的处理才能从中获取中获得有效的信息。癫痫脑电信号同其他种类的脑电信号一样,具有非线性、非平稳的特点,传统的信号处理方法更适合处理线性的、平稳的信号,因此需要寻找新的方法来处理癫痫脑电信号。希尔伯特-黄变换具有一定的自适应性,因此本文采用该方法对癫痫脑电信号进行处理。为了能够有效的区分癫痫脑电信号的发作间期和发作期,本文提出了一种整体经验模态分解和随机森林相结合的癫痫脑电信号分类方法。选取波恩大学癫痫脑电信号数据集中癫痫发作间期和发作期的200个单通道信号,共819400个样本点作为实验数据。首先利用MATLAB实现整体经验模态分解,将癫痫脑电信号分解成多个固有模态函数和一个趋势项,并计算与原始癫痫脑电信号的相关系数来选定合适的固有模态函数。接下来用SAS计算选定的固有模态函数的特征,通过R分别实现随机森林和最小二乘支持向量机对癫痫脑电信号特征的分类,并对比两种方法的分类结果,选择正确识别率更高的方法。实验结果表明整体经验模态分解与随机森林相结合的分类方法对癫痫脑电信号发作间期和发作期的分类效果比较理想,达到了99.60%的正确识别率,高于最小二乘支持向量机分类结果的98.00%正确识别率。两种方法均能有效区分癫痫脑电信号发作间期与发作期,以整体经验模态分解与随机森林结合的方法正确识别率更高。