Electroencephalograph (EEG) is supposed to be a major challenge in the area of biomedical signal processing. Being one of the widely used invasive techniques, it is capable to find many cases of brain disorder problems like epileptic seizures and sleep disorder. This work follows the procedure of convergence computing where there are different computing techniques have been combined together to achieve our final goal with much perfection. radial basis function (RBF) being one of the simplest forms of neural network (NN) can be used for the purpose of EEG signal classification, where the network uses the radial basis function as an activation function. In this study, artificial bee colony (ABC) technique was applied for optimizing the parameters that were required in the RBF network for the EEG signal classification. Adaptive synthetic oversampling (ADASYN) process was considered for improving the learning method of managing the class imbalance problem in the EEG dataset. An EEG dataset for normal and epileptic person is typically seen and is processed where five datasets are combined together in three different ways. The new datasets were grouped and were created as set 1 (A+D & E), set 2 (B+D & E), and set 3 (C+D & E). The ABC optimized RBF classifier is applied along with ADASYN method where the resolution for the above stated datasets states that the classification accuracy for set 1 and set 3 were increasing significantly as compared to the standard RBF classifier network.

脑电图仪（EEG）被认为是生物医学信号处理领域的主要挑战。作为广泛使用的侵入性技术之一，它能够发现许多脑部疾病问题，例如癫痫发作和睡眠障碍。这项工作遵循融合计算的程序，其中将不同的计算技术结合在一起，以非常完美的方式实现我们的最终目标。径向基函数（RBF）是神经网络（NN）的最简单形式之一，可用于EEG信号分类，其中网络将径向基函数用作激活函数。在这项研究中，人工蜂群（ABC）技术用于优化RBF网络中脑电信号分类所需的参数。为了改善在EEG数据集中管理类不平衡问题的学习方法，考虑了自适应合成过采样（ADASYN）过程。通常会看到正常人和癫痫患者的EEG数据集，并通过三种不同的方式将五个数据集组合在一起进行处理。将新的数据集进行分组并分别创建为集合1（A + D＆E），集合2（B + D＆E）和集合3（C + D＆E）。ABC优化的RBF分类器与ADASYN方法一起应用，其中上述数据集的分辨率表明，与标准RBF分类器网络相比，集1和集3的分类准确性显着提高。通常会看到正常人和癫痫患者的EEG数据集，并通过三种不同的方式将五个数据集组合在一起进行处理。将新的数据集进行分组并分别创建为集合1（A + D＆E），集合2（B + D＆E）和集合3（C + D＆E）。ABC优化的RBF分类器与ADASYN方法一起应用，其中上述数据集的分辨率表明，与标准RBF分类器网络相比，集1和集3的分类准确性显着提高。通常会看到正常人和癫痫患者的EEG数据集，并通过三种不同的方式将五个数据集组合在一起进行处理。将新的数据集进行分组并分别创建为集合1（A + D＆E），集合2（B + D＆E）和集合3（C + D＆E）。ABC优化的RBF分类器与ADASYN方法一起应用，其中上述数据集的分辨率表明，与标准RBF分类器网络相比，集1和集3的分类准确性显着提高。