癫痫是一种古老的神经系统疾病,其影响人群范围广,对患者身心健康影响巨大,而且存在较大的社会治疗缺口,这些都严重影响着患者及家属的生活与工作。脑电图(Electroencephalography,EEG)是反映大脑皮层放电活动的工具,该时间序列中包含了大量关于大脑工作的生理学信息。目前,对于癫痫发作的诊断主要还是依靠专业医师用肉眼识别患者的EEG。但是这种方法具有速度慢、效率低下、主观程度高等缺点,因此对具有高性能的癫痫脑电自动分类算法的研究具有重大的临床应用意义。由于大脑的复杂结构及大脑皮层神经元放电的不规律性,导致EEG信号表现出非线性动力学特征。因此,通过非线性时间序列分析方法提取EEG的非线性信息,成为近年来相关学者们的首选。然而,目前常用的非线性特征如近似熵、样本熵等对癫痫EEG的分类性能相对较差,严重影响着所构造的分类算法的性能,阻碍着癫痫分类算法被应用于临床的进程。近年来,应用复杂网络的拓扑结构统计特性来研究非线性时间序列的深层动力学结构特征逐渐得到学者的重视,同时也给出了一个非线性时间序列分析的新视角。得益于时间序列复杂网络构造算法的出现,加之丰富且研究成熟的复杂网络拓扑结构统计特性,时间序列的复杂网络分析方法开始应用于对金融股票走势、交通流量、气候变化、河流流量等现实生活中的非线性真实数据的分析。本文在研究了时间序列复杂网络分析方法的基础上,主要对基于复杂网络拓扑结构统计特性的癫痫脑电特征提取方法进行了研究,并结合支持向量机(SVM),构造出了高性能的癫痫脑电自动分类算法,用来区分癫痫患者间歇期和发作期的脑电信号。首先,根据时间序列平均分段的网络节点集构造算法,构造出时间序列复杂网络的节点集合;应用标准欧式距离衡量节点集合中任意两节点之间的相似性,并根据转化参数(θ),确定网络的边集合。通过以上过程构造出时间序列的复杂网络。其次,应用复杂网络的拓扑结构统计特性对时间序列复杂网络进行分析。根据分析结果构造相应的提取特征,作为对不同类型时间序列的分类特征。本文提出了度分布熵(NDDE)、聚类系数分布部分和(Pclu)、顶点强度分布加权均值(wmean)与权值差异分布小值和(WDrα)四个非线性特征。提取的分类特征被应用于区分标准癫痫脑电数据库中癫痫患者间歇期和发作期的脑电信号。通过与其它相关的实验结果进行比较,验证了本文的提取特征对两类癫痫脑电的辨别精度和特征提取时间较近似熵(ApEn)和样本熵(SampEn)都有较大提升。最后,将本文提取的特征应用于癫痫脑电的自动分类算法中。将4个非线性提取特征分别添加波动指数(FI)构成二维分类特征向量,结合支持向量机分类器构造了4个癫痫脑电自动分类算法。通过对癫痫患者间歇期和发作期脑电数据的分类实验,验证了本文所构造的4个分类算法的性能相比于现有的相似分类算法在总体分类精度上都有较大提升。脑电图作为描述大脑活动的直观反映载体,大脑工作的许多重要生理信息深藏在EEG信号的动力学结构中。通过应用时间序列复杂网络构造算法,将EEG信号转化为复杂网络,应用复杂网络拓扑结构的相关统计特性,对大脑EEG信号复杂网络的结构进行分析,可以更加深入的了解EEG信号中所包含的深层次信息。如此提取出性能优良的分类特征,从而可以构造高性能癫痫脑电分类算法。无论是本文的研究思路还是分类算法本身都为促进临床医学研究及应用,辅助医生进行诊断等工作提供了帮助,有利于不断提高医疗水平。