Аналіз електроенцефалограм є невід’ємна складова діагностики неврологічних захворюваннях. З огляду на їхню просторово-часову залежність традиційні підходи у клінічній практиці пов’язані із аналізом амплітуд сигналів із визначеним інтервалом його дискретизації. При цьому зовсім не враховуються залежності сигналів у просторі, що притаманне реальним змінюванням електроенцефалограм. Мета роботи полягає у розробці підходу, що надає можливість під час аналізу електроенцефалограм здорових і хворих пацієнтів урахувати просторову і часову залежність цих сигналів для підвищення якості діагностування. На ґрунті аналізу підходів до спектрального аналізу нестаціонарних медичних сигналів, зокрема, електроенцефалограм, запропоновано застосування системи ортонормованих вейвлет - функцій Морле, які, на відміну від інших розповсюджених вейвлет-функцій, здатні забезпечити отримання спектрів сигналів, що аналізуються, як у часі, так й у просторовому вимірі. Отримано спектральне подання ЕЕГ-сигналів із застосуванням вейвлет-функцій Морле. Виконано кратномасштабний аналіз електроенцефалограм для здорових і хворих пацієнтів, що надає можливість підвищити якість спектрального аналізу сигналів у просторово-часовому вимірі. Застосування вейвлет-функцій до аналізу ЕЕГ-сигналів пацієнтів, хворих на епілепсію надало можливість суттєво підвищити якість діагностики шляхом відокремлення низькочастотних і високочастотних компонент сигналу із застосуванням методів фільтрації завад. Аналіз ЕЕГ-сигналів із застосуванням вейвлет-перетворень є ефективний метод надійної ідентифікації біоелектричного стану головного мозку як здорових пацієнтів так і хворих на епілепсію. Моніторинг та аналіз пацієнта упродовж тривалішого часу може надати більше інформації про розвиток епілепсії. Вейвлет-перетворення у сполученні із штучними нейронними мережами надає можливість реалізувати класифікатор на грунті розподілу енергії складових сигналу ЕЕГ. Визначення активності окремих компонентів сигналів ЕЕГ, а також матеріальність процесів, що мають місце у джерелах цих хвиль, може стати предметом подальших досліджень. The analysis of electroencephalograms is an integral part of the diagnosis of neurological diseases. Given their spatial-temporal dependence, traditional approaches in clinical practice are associated with the analysis of signal amplitudes with a defined interval of its discretization. At the same time, the dependence of signals in space, which is inherent in real changes of electroencephalograms, is not taken into account at all. The purpose of the work is to develop an approach that makes it possible to take into account the spatial and temporal dependence of these signals during the analysis of electroencephalograms of healthy and sick patients to improve the quality of diagnosis. Based on the analysis of approaches to the spectral analysis of non-stationary medical signals, in particular, electroencephalograms, it is proposed to use a system of orthonormal wavelets - Morle functions, which, unlike other widespread wavelet functions, are capable of obtaining the spectra of the analyzed signals, both in time and in the spatial dimension. A spectral presentation of EEG signals was obtained using Morle wavelet functions. Multiple-scale analysis of electroencephalograms for healthy and sick patients was performed, which provides an opportunity to improve the quality of spectral analysis of signals in the space-time dimension. The application of wavelet functions to the analysis of EEG signals of patients with epilepsy made it possible to significantly improve the quality of diagnosis by separating low-frequency and high-frequency components of the signal using noise filtering methods. The analysis of EEG signals using wavelet transformations is an effective method of reliable identification of the bioelectrical state of the head brains of both healthy patients and patients with epilepsy. Monitoring and analyzing the patient over a longer period of time can provide more information about the development of epilepsy. Wavelet transformation in combination with artificial neural networks provides an opportunity to implement a classifier based on the energy distribution of the components of the EEG signal. Determining the activity of individual components of EEG signals, as well as the materiality of the processes taking place in the sources of these waves, may become the subject of further research.