صرع یکی از مهمترین بیماری های دستگاه عصبی است که حدود 1% از مردم جهان به آن مبتلا هستند. امکان پیش بینی وقوع حملات صرعی از روی سیگنال های الکتروانسفالوگراف برای بیماران صرعی، فرصت های درمانی جدیدی را فراهم می کند. پیش بینی دقیق حملات صرعی هنوز هم غیرممکن است چرا که این حملات رفتاری آشوبگونه دارند. آشوب قابلیت پیش بینی پذیری را محدود می کند و در نتیجه، پیش بینی بلند مدت سری های زمانی آشوبگونه مسئله ی پیچیده ای است که از عوامل شناخته شده و ناشناخته بسیاری تاثیر می گیرد. در این پژوهش با این دیدگاه که در هنگام وقوع حمله صرعی مدل و یا پارامترهای مدل تولید سیگنال تغییر می کند و با مدل کردن سیگنال بین صرعی و دنبال کردن مدل تولید سیگنال می توان به این تغییر مدل پی برد، به مطالعه روشی جدید مبتنی بر شبکه های عصبی با هدف پیش بینی شروع حملات پرداخته شده است. دو نوع شبکه عصبی، پرسپترون چند لایه ی جلوسو و المن، برای پیش بینی یک گام بعد سیگنال دیتای خام الکتروانسفالوگراف مورد استفاده قرار گرفتند. پایگاه داده شامل سیگنال الکتروانسفالوگراف 19 بیمار است که به صورت تهاجمی در مرکز صرع بیمارستان دانشگاه فرایبورگ آلمان ثبت شده بود. سپس سیگنال کاهش نرخ نمونه برداری شده و سیگنال آنتروپی ویولت به عنوان شاخصی از نظم/بی نظمی سیگنال برای پیش بینی استفاده شد. سپس با استفاده از منحنی میانگین مجذور مربعات خطای پیش بینی برحسب پنجره های زمانی و استفاده از آستانه های ثابت و تطبیقی تغییرات منحنی خطا در بازه ی پیش از حمله ارزیابی شدند و عملکرد شبکه ها با ورودی ها و آستانه های مختلف بر حسب دو مقدار حساسیت و نرخ پیش بینی اشتباه گزارش شدند. با توجه به نتایج، عملکرد شبکه های عصبی با استفاده از آستانه های تطبیقی عموما از پیش بینی کننده های تصادفی و پریودیک بهتر بوده است. لذا امکان پیش بینی وقوع حملات صرعی با این شبکه ها وجود دارد. بیشترین حساسیت در پیش بینی با شبکه ی mlp با ورودی سیگنال کاهش نرخ نمونه برداری شده و آستانه تطبیقی به دست آمده است. در این حالت امکان پیش بینی حمله به طور متوسط با حساسیت حدود 48% وجود دارد. پس از آن شبکه المن با ورودی سیگنال کاهش نرخ نمونه برداری شده با استفاده از آستانه تطبیقی قرار دارد که به طور متوسط با حساسیت حدود 46% می تواند حمله را پیش بینی کند. از منظر دسته بندی نوع بیماری، پیش بینی وقوع حمله در بیمارانی که صرع آنها از نوع sp,cp,gtc بوده موفق تر بوده است. در تحلیل این دسته از بیماران با شبکه های مختلف و آستانه های متفاوت، به طور معمول در بیش از یک سوم تحلیل ها عمل پیش بینی بهتر از پیش بینی کننده های تصادفی و پریودیک بوده است