مغز پیچیده ترین عضو بدن انسان است و مطالعه روی آن توجه دانشمندان را به خود جلب کرده است. در این میان، تشخیص و مقابله با بیماری های مغزی مسئله ای است که اهمیت زیادی دارد و محتاج تحلیل و بررسی رفتارهای مغز است. از میان بیماری های مغزی، صرع، جمعیت زیادی را در سرتاسر دنیا آزار می دهد و سیگنال های الکتروانسفالوگرام در حال حاضر بهترین راه برای مشاهده و بررسی رفتار مغز بیماران صرعی هستند. اما این سیگنال ها نامانا و غیر خطی هستند و در نتیجه، مطالعه ی آن ها به کارگیری تئوری اطلاعات را می طلبد. از سوی دیگر انجام یک عمل جراحی موفق بر روی بیماران مبتلا به صرع نیازمند تشخیص آن بخش از مغز است که حمله ی صرعی موضعی از آنجا شروع می شود. گام اول برای این تشخیص نیز تمیز سیگنال های سالم از سیگنال هایی است که حین حمله ی صرعی موضعی گرفته شده اند. در این پایان نامه روشی برای کلاس بندی سیگنال های سالم از سیگنال های مبتلا به حمله ی صرعی موضعی بر اساس یادگیری مبتنی بر تئوری اطلاعات ارائه شده است. در این روش استخراج ویژگی از سیگنال ها با استفاده از آنتروپی تقریبی انجام شده و کلاس بندی ویژگی های استخراج شده توسط ماشین بردار پشتیبان کمترین مربعات صورت گرفته است. تحلیل ها و نتایج نشان می دهند که کلاس بندی انجام شده برتری هایی را نسبت به تحقیقات موجود دارد و پتانسیلی برای تشخیص سیگنال های سالم و ناسالم است.