酗酒会造成许多经济和社会上的损失。例如记忆力衰退，注意力和决策力等的隐性损伤也会出现在长期酗酒的后果之中。例如，酒精诱发反应的影响已有报道。研究表明这些紊乱和虚弱状态即使在停止酗酒之后也会存在一段时间。这些损伤可能会导致一些严重的事故，尤其是在驾驶车辆或操作机器等这些需要积极主动的表现和正确判断的场合。因此提供一种可靠的定量诊断方法来区分一个人是否喝酒是很必要的。同时通过发展这种自动而又可靠的方。脑电图是一种表.明大脑电活动的信号。这种信号在某些精神性表型，如癫痫，躯体运动和（或）运动想象等，会显示出特殊的类型。　　在这篇论文中，我们使用酒精和对照组的诱发电位信号，并试图向它们归类到正确的类别。为了实现这个目标，我们从原始的脑电信号中提取了ERP信号，通过小波系数作为特征量和多数表决制K-NN分类的帮助下，我们将其分为两个类。为了提高分类正确率，我们从脑电信号中提取了γ频带视觉诱发电位(GBVEP)信号。对于特征提取，我们则采用了多种技术从信号中提取尽可能多的信息。这些技术是AR模型的参数(·)傅立叶变换系数，小波系数，谱估计，基于混沌理论的特点（如赫斯特组成部分，相关维和）等。我们在本节中提出了一种全新的特征提取技术，而这将在七月份的ISI期刊刊载。通过增加从信号中提取的特征量，它将减少任何分类相关信息的遗漏。然而随着大量的功能，它也更难以设计和/或规划一个分类，来有效地识别信号所需的模式（也称为“维度诅咒”）。　　因此，重要的是只选择那些显著的特征量，即携带着相关信息的信号。我们用PCA技术来降维。为了完成分类，使用不同的分类，如模糊，神经，神经-模糊和统计分类(·)在特征选择和PCA技术的帮助下，我们成功减少特征的数量到只有一个，即能显示出高度分类准确性来区分两类。此外，此一维的特征可以被视为与酗酒相关的定量生物标志物。