孤獨癥的早期發現與及時干預至關重要。本文結合小波變換和經驗模態分解（EMD）提取腦電信號（EEG）特征，比較分析孤獨癥兒童和正常兒童腦電信號的特征差異。試驗共采集了 25 例（20 例男孩，5 例女孩）5～10 歲孤獨癥兒童和 25 例 5～10 歲正常兒童的腦電信號，基于小波變換提取 C3、C4、F3、F4、F7、F8、FP1、FP2、O1、O2、P3、P4、T3、T4、T5 和 T6 的 alpha、beta、theta 和 delta 頻段的節律波，再進行 EMD 分解得到固有模態函數（IMF）特征，以支持向量機（SVM）實現孤獨癥和正常兒童腦電的分類評估。試驗結果表明，小波變換和 EMD 結合的方法可以有效地識別孤獨癥兒童和正常兒童的腦電信號特征，分類正確率達到 87%，相比文中小波結合樣本熵方法提取腦電特征分類評估的準確率高出將近 20%。所提取的四種節律波中，delta 節律（1～4 Hz）波的分類正確率最高，特別是在前額 F7 通道、左前額 FP1 通道和顳區 T6 通道其分類準確率均超過 90%，能夠較好地表達孤獨癥兒童腦電信號的特點。
孤獨癥譜系障礙（ASD）是一種涉及多種神經系統的復雜發育障礙性疾病，主要表現為社交溝通障礙以及刻板行為。腦電圖（EEG）測量與皮層突觸活動相關的神經電生理變化，對檢查者無損傷，已被證明是檢測神經疾病的有力工具。為深入研究低頻重復經顱磁刺激（rTMS）應用于 ASD 患者康復的作用，本文招募 32 名 ASD 被試，其中 16 名 ASD 患者作為實驗組，16 名 ASD 患者作為對照組，用頻率為 1 Hz 的 rTMS 調控實驗組，基于快速傅里葉變換提取額葉、頂葉、左顳葉、右顳葉、枕葉五個腦區的節律，用非參數估計中的 Welch 法計算四個頻段的相對功率及額葉內通道之間的相干性，并分析所有 ASD 被試干預前后靜息態腦電特征值的變化。統計實驗組干預前后的孤獨癥行為量表（ABC），計算并比較干預前后各項指標得分。結果顯示經過 rTMS 干預之后，ASD 患者右顳葉和頂葉 δ 頻段的相對功率普遍降低，額葉通道之間的相干性降低。此研究表明 rTMS 能夠改善 ASD 患者的注意力、執行能力、語言能力，減少刻板行為和過激行為。
提取分析孤獨癥譜系障礙（ASD）患者腦電（EEG）信號特征對疾病的診斷治療具有重要意義。本研究基于遞歸定量分析（RQA）方法探索 ASD 兒童和正常發育（TD）兒童 EEG 信號非線性特征差異。運用 RQA 方法提取受試者各腦區 EEG 信號遞歸率（RR）、確定性（DET）、平均對角線長度（LADL）非線性特征，并結合支持向量機對 ASD 兒童和 TD 兒童進行分類。研究結果表明，對于全腦區（包括：頂葉、額葉、枕葉、顳葉），當選取 RR、DET、LADL 三個特征組合時，得到 84% 的最大分類準確率，對應敏感性為 76%，特異性為 92%，曲線下面積（AUC）值為 0.875；對于頂額葉區（包括：頂葉、額葉），當 RR、DET、LADL 三個特征組合時，得到最大分類準確率為 82%，對應敏感性為 72%，特異性為 92%，AUC 值為 0.781。研究結果表明，RQA 方法提取 EEG 信號的 RR、DET、LADL 特征能成為區分 ASD 兒童和 TD 兒童的客觀指標，并結合機器學習方法能為 ASD 臨床診斷提供輔助評價指標，同時，ASD 兒童和 TD 兒童 EEG 信號的 RR、DET、LADL 特征差異在頂額葉區具有統計學意義，本研究根據腦區所承擔的功能來分析 ASD 兒童臨床特征，為今后的診斷和治療提供了參考。
針對提高情感識別正確率這一國際開放問題，本文提出了一種基于小波包熵和自回歸模型相結合的腦電信號特征提取算法。自回歸過程能最大程度逼近腦電信號，用很少的自回歸參數提供豐富的譜信息。小波包熵反映腦電信號在各個頻帶中的譜能量分布情況。將二者結合，能夠更好地體現腦電信號的能量特征。本文基于核主成分分析方法，實現了腦電信號特征提取融合。課題組采用情感腦電國際標準數據集（DEAP），選取 6 類情感狀態以本文算法進行情感識別。結果顯示，本文算法情感識別正確率均在 90% 以上，最高情感識別正確率可達 99.33%。本文的研究結果表明，該算法能夠較好地提取腦電信號情感特征，是一種有效的情感特征提取算法。
本文針對傳統多尺度熵在多尺度化過程中信息丟失問題，提出一種加權多重多尺度熵特征提取算法。該算法在各尺度上構建了從大到小的多重數據序列，考慮多重數據序列對該尺度樣本熵的貢獻程度不同，計算各個序列在該尺度序列中所占比重，以此作為系數重構各尺度樣本熵。相比于傳統多尺度熵算法，該算法不但克服了信息丟失問題，還充分考慮了序列的相關性與對總熵值的貢獻程度，減小了尺度間的波動，更能挖掘腦電信號的細節信息。基于該算法，本文分析了孤獨癥（ASD）兒童腦電信號特征，與樣本熵、傳統多尺度熵及延擱取值法多重多尺度熵算法比較，分類準確率分別提高了 23.0%、10.4% 與 6.4%。基于該算法對比分析孤獨癥兒童與對照組健康兒童的 19 通道腦電信號，結果表明除 FP2 通道外，其余通道的熵值均顯示健康兒童略高于孤獨癥兒童，且 F3、F7、F8、C3、P3 通道的熵值差異具有統計學意義（P<0.05）。本文通過對各個腦區加權多重多尺度熵進行分類，發現前顳葉區域通道（F7、F8）的分類準確率最高，表明前顳葉可以作為評估孤獨癥兒童腦功能狀態的敏感腦區。
孤獨癥譜系障礙（ASD）兒童的早期診斷至關重要。腦電圖（EEG）是最常用于神經成像的技術之一，其使用方便并且包含信息豐富。本文從 ASD 兒童和正常兒童的 EEG 信號中提取近似熵（ApEn）、樣本熵（SaEn）、排序熵（PeEn）和小波熵（WaEn）四種熵特征，應用獨立樣本 t 檢驗分析組間差異，利用支持向量機（SVM）學習算法為不同腦區的每種熵測量建立分類模型，最后通過置換檢驗搜索優化子集，使 SVM 模型實現最佳性能。結果表明，與正常對照組相比，ASD 兒童腦電復雜度較低；在所有四種熵中，WaEn 的分類性能優于其他熵；分類效果在不同腦區表現出差異性，其中額葉區域表現最佳；最后經過特征選擇，篩選出六個特征，建立分類模型，分類準確率最高提高到 84.55%。本研究結果可為孤獨癥的早期發現提供幫助。