صرعیکیازشایعتریناختلالاتعصبیاستکهمعمولاباحملاتناگهانیهمراهاست. حملاتصرعییا تشنجنشانههاییگذرایاعلایمیازفعالیتهایعصبیغیرنرمال،شدیدیاسنکروندرمغزاست. حدود 50 میلیوننفرازمردمدرسرتاسرجهانبدینبیماریمبتلاهستند. درمانخاصیبرایاینبیماریوجودندارد واینبیماریتنهامیتواندبااستفادهازدارویااعمالجراحیدرشرایطحادکنترلشود. برایبیشاز25 درصداینبیمارانحتیباوجودپیشرفتهایگستردهدرزمینههایداروییوپزشکیرسیدنبهچنین شرایطیازکنترلبیمارینیزقابلتحققنیست. صرعدرحقیقتنهیکبیماریعصبیکهخود مجموعهایازنشانههاباعلایموعللگستردهایاستکههمهآنهادرنهایتبهفعالیتهایغیرنرمالوشدیدالکتریکیدرمغزمنجرمیشوند. وقوعاینحملاتناگهانیمیتواندباعثقرارگرفتنشخصدرموقعیتهایخطرناکیشودکهحتیزندگیبیماررابهمخاطرهاندازند. بهخاطراینکهاختلالدرهوشیاریوازدسترفتنناگهانیکنترلحرکتیاغلب بدونهیچنوعپیشآگاهیرخمیدهند،تواناییپیشبینیحملاتصرعیمیتواندباعثکاهشاسترسوبهبودکیفیتزندگیوایمنیبیمارباشد. بیماربادانستنزمانحملهازقبلحداقلمیتواندبرایوقوعآن آمادهباشدوبهطورمثالازقرارگرفتندرموقعیتهایخطرناککهزندگیشخصراهمممکناستبه مخاطرهاندازند(مانندیکخیابانشلوغیااستخر)دوریکند. بهعلاوهپیشآگاهیاززمانوقوعحمله میتواندروشهایمتنوعیازدرمانرانیزامکانپذیرسازد،بهعنوانمثالبهجایدرمانداروییبهصورت پیوسته دردرازمدتکهباعثاثراتجانبیعصبیودرکیمیشوند،درمانمیتواندتنهابهزمانهایلازموضروریکهاحتمالرخدادحملهوجودداردکاهشیابند. روشهای آنالیز سری زمانی مربوط به تئوری دینامیک غیر خطی و آشوب در بررسی سریهای زمانی سیگنالهای حیاتی کاربرد گسترده ای دارند. پیش بینی حمله صرع با اعمال روشهای آنالیز سری زمانی به داده های eeg ‏ثبت شده از بیماران مبتلا به صرع از جمله این کاربردها می باشد. سیستمهایینیزبامونیتورینگدایمسیگنالمیتوانندقبل ازاینکهحملهایرخدهدبااعمالبرخیروشهایپیشگیریازحملهمانندتحریکاتالکتریکییادرمان داروییمانعوقوعآنشوند. سیستمپردازشسیگنالارائه شده در این پایان نامه ازچندین بخشمجزاتشکیلشدهاست. پسازانجامپیشپردازشهایاولیهمانندحذفنویزموجودبر رویسیگنال،نخستینمرحلهسیستممذکورپنجره گذاریسیگنالاست. مرحلهبعداعمال مولفه آنالیز اساسی (pca) بهسیگنالپنجرهگذاریشدهمیباشد.pca جهت انتخاب بهترین راستا از لحاظ انرژی استفاده می شود.سپس بهمنظوربررسیویژگیهایغیرخطی و آشوبگونهدرباندهایمختلفسیگنال بعد از اعمال pcaدراینپروژهازتجزیه یموجک استفادهشدهاست مرحله بعدیکه ازاهمیتبسزاییبرخورداراست بخشاستخراجویژگی ها می باشد.لذادراینپایان نامهبامطرحکردنچهار ویژگی آشوبگونه shanen , logen , petrosian and higuchi fractal dimension و استخراج ویژگی ها از سیگنال بدست آمده می پردازیمودر نهایت الگوریتمجدیدی را جهت پیش بینی اتوماتیک بر روی 50 ثبت از پایگاه داده eeg فرایبورگ پیشنهاد خواهیم داد.