صرع نوعی اختلال در عملکرد مغز است که به صورت ناگهانی،کنترل نشده و نا منظم در یک بخش، یا تمام سیستم عصبی مرکزی رخ میدهد. حملات صرعی به اختلالات شدید و تکرار شونده ی مغزی گفته میشودکه علامت مشخصه ی بیماری صرع می باشد. با تجزیه و تحلیل سیگنال eeg درک بالایی از مکانیزمهایی که موجب اختلالات مغزی میشود بدست میآید. در موارد حاد که بیمار نیاز به جراحی دارد باید کانون صرع در مغز مشخص شود. تشخیص حمله در روش سنتی، برمبنای مقایسه نوار مغزی(eeg) فرد بیمار با یک سری الگو های از پیش تعیین شده، توسط پزشک است. در این روش متخصص باید ساعتها به بررسی نوار مغزی بیمار بپردازدکه بسیار طاقت فرسا است. گاهی تا چند روز ممکن است حمله رخ ندهد. بنابر این نیاز به یک روش اتوماتیک کاملا احساس میشود. پایگاه داده ای که در این پایان نامه استفاده شده، شامل سه دسته سیگنال میباشد که عبارتند از: 1- سیگنال های eeg افراد سالم. 2- سیگنال های eegافراد مبتلا به بیماری در شرایط عادی و به دور از حمله. 3- سیگنال های eeg افراد مبتلا در شرایط حمله هدف اصلی در این پایان نامه، آنالیز سیگنال eeg و استخراج ویژگیهایی است که بتواند سه دسته سیگنال را از هم تفکیک کند. به دلیل غیر ایستا بودن سیگنال eeg پردازش زمان- فرکانس برای نمایش و استخراج ویژگی بسیارکارآمد است، در حالی که سایر روشهای پردازش سیگنال عملکرد ضعیفتری دارند. در این پایان نامه یک روش نو برای تحلیل سیگنال eeg با استفاده از پردازش زمان- فرکانس و طبقه بندی با استفاده از شبکه ی عصبی mlp و svm معرفی شده است. سیگنال eeg با استفاده از توزیع زمان- فرکانس تحلیل شده سپس، چندین ویژگی که میانگین فرکانس لحظه ای، چگونگی توزیع انرژی در صفحه ی زمان- فرکانس و تغییرات انرژی با زمان را نشان میدهد استخراج شده است. این ویژگیها برای آموزش شبکه ی عصبی mlp و svm استفاده میشود. چندین توزیع زمان- فرکانس و اثر پنجرههای زمانی مختلف بررسی شدهاست. روش ارائه شده با استفاده از پایگاه داده ای که در دسترس عموم است ارزیابی شده است و نتایج رضایت بخشی (با دقت کل 100%) بدست آمده است.