Accurate and rapid pattern recognition of epilepsy from intracranial electroencephalogram (iEEG) recordings is important for medical diagnostics. In this paper, three algorithms based on discrete wavelet transform (DWT) analysis and parallel probabilistic neural network, SA-PNN, SA-PPNN, and LSA-PPNN, are presented to identify iEEG recordings and detect epileptic seizures. Simulated annealing (SA) and local simulated annealing (LSA) are utilized to optimize network parameters of probabilistic neural network classifier, respectively. The combinations of different features are utilized as the input vectors of classifiers to complete classification tasks. Experiments are conducted to deal with five different classification tasks. Compared with non-parallel probabilistic neural network algorithm (SA-PNN), the running time of parallel probabilistic neural network algorithm (SA-PPNN) is shortened by 2.18 times. Compared with SA-PPNN, the average operating time of LSA-PPNN is reduced by 9.97 times. The reason is that LSA-PPNN trains and optimizes parameters with local data firstly and then brings the parameters into the global training data sets to train the network for a test. As the amount of data increases, the superiority over LSA-PPNN is getting more distinct. Our methods are also compared with other existing relative research. Experimental results prove that our methods are much more competitive. In particular, for the classification task C-D, the classification accuracy of our method reaches 83.3%, which is much higher than previous results.

从颅内脑电图 (iEEG) 记录中准确快速地识别癫痫对于医学诊断非常重要。在本文中，提出了三种基于离散小波变换 (DWT) 分析和并行概率神经网络的算法，SA-PNN、SA-PPNN 和 LSA-PPNN，用于识别 iEEG 记录和检测癫痫发作。分别利用模拟退火（SA）和局部模拟退火（LSA）来优化概率神经网络分类器的网络参数。利用不同特征的组合作为分类器的输入向量来完成分类任务。进行实验以处理五种不同的分类任务。与非并行概率神经网络算法（SA-PNN）相比，并行概率神经网络算法（SA-PPNN）的运行时间缩短了2.18倍。与SA-PPNN相比，LSA-PPNN的平均运算时间减少了9.97倍。原因是LSA-PPNN先用局部数据训练和优化参数，然后将参数带入全局训练数据集中训练网络进行测试。随着数据量的增加，相对于 LSA-PPNN 的优势越来越明显。我们的方法也与其他现有的相关研究进行了比较。实验结果证明我们的方法更具竞争力。特别是对于分类任务CD，我们方法的分类准确率达到了83.3%，远高于之前的结果。LSA-PPNN 的平均运算时间减少了 9.97 倍。原因是LSA-PPNN先用局部数据训练和优化参数，然后将参数带入全局训练数据集中训练网络进行测试。随着数据量的增加，相对于 LSA-PPNN 的优势越来越明显。我们的方法也与其他现有的相关研究进行了比较。实验结果证明我们的方法更具竞争力。特别是对于分类任务CD，我们方法的分类准确率达到了83.3%，远高于之前的结果。LSA-PPNN 的平均运算时间减少了 9.97 倍。原因是LSA-PPNN先用局部数据训练和优化参数，然后将参数带入全局训练数据集中训练网络进行测试。随着数据量的增加，相对于 LSA-PPNN 的优势越来越明显。我们的方法也与其他现有的相关研究进行了比较。实验结果证明我们的方法更具竞争力。特别是对于分类任务CD，我们方法的分类准确率达到了83.3%，远高于之前的结果。随着数据量的增加，相对于 LSA-PPNN 的优势越来越明显。我们的方法也与其他现有的相关研究进行了比较。实验结果证明我们的方法更具竞争力。特别是对于分类任务CD，我们方法的分类准确率达到了83.3%，远高于之前的结果。随着数据量的增加，相对于 LSA-PPNN 的优势越来越明显。我们的方法也与其他现有的相关研究进行了比较。实验结果证明我们的方法更具竞争力。特别是对于分类任务CD，我们方法的分类准确率达到了83.3%，远高于之前的结果。