本文設計了基于虛擬現實技術, 以Kinect為交互設備的上肢康復訓練系統。本系統將嚴肅游戲、人機交互與康復訓練有機結合為一體, 針對不同患者的康復需求, 系統建立了科學而豐富的通用動作庫和游戲庫, 并預留擴展接口, 既支持基于Virtools開發的滿足患者個性化需求的游戲, 同時也支持網上現有適合患者康復訓練的Flash游戲。此外, 本系統提出了基于Kinect的靈活動作交互模式和游戲控制方式, 并提供對康復過程進行實時數據記錄的功能, 給出了對康復效果的主客觀評價方法。根據對本系統的隨機調查問卷, 以及中風患者為期兩周的康復訓練, 結果表明:本康復系統區別于傳統康復方法, 具有康復數據收集和分析能力, 可以根據反饋數據進行階段性康復方案制定, 同時具有更強的趣味性以及低廉的訓練成本, 可有效提高患者訓練的積極性, 有助于患者的康復治療。
經顱磁聲刺激利用超聲和靜磁場共同作用在神經組織或組織液中產生的電流來調節神經元的活動。它具有高空間分辨率和良好穿透深度的優點。神經元放電頻率適應性在神經信息處理中起著重要作用。本文基于 Ermentrout 神經元模型研究了在經顱磁聲刺激下，磁場強度、超聲強度、超聲頻率對神經元放電頻率適應性的影響作用。仿真結果表明，隨著磁場強度的增加，神經元產生放電的時間縮短，峰峰間期變小，放電間隔變短；在不同適應變量的情況下，隨著適應變量的增加，初始放電頻率隨著輸入的磁場強度向右偏移，而在穩定狀態下放電頻率隨著磁場強度的增加近似呈線性關系。超聲強度對神經元放電頻率適應性的影響與磁場強度相一致。超聲頻率對神經元放電頻率適應性無明顯影響；在不同適應變量下，隨著適應變量的增加，初始放電頻率的幅值整體降低，而在穩定狀態下放電頻率隨著超聲頻率的變化基本呈線性關系。研究結果可以幫助我們揭示經顱磁聲刺激對神經元放電頻率適應性的作用機制，為其用于神經精神方面疾病的治療提供理論依據。
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。
2型糖尿病患者因長期代謝紊亂造成的認知功能障礙已經成為當前關注的重點。本文利用多通道同步方法——基于相位同步的S估計器對腦電信號進行同步分析, 以期發現與糖尿病輕度認知障礙有關的腦電特性。結果顯示:糖尿病輕度認知障礙患者與正常對照組相比各腦區各頻段的S值均減小, 尤其是δ和α頻段顯著降低, 表明腦電同步值降低; 患者MoCA得分與S值在α頻段具有顯著的正相關性。
臨床上基于個人電腦的腦電監護系統不適用于便攜和家庭的監測，并且癲癇患者長期住院檢測會增加醫療負擔。為此本文設計了一種基于Android智能手機的16導便攜式、網絡化監控系統。整個系統采用了主動電極技術、WiFi無線傳輸技術、多尺度排序熵算法、反向傳播(BP)神經網絡優化算法等，并基于Android手機應用軟件實現對腦電數據的處理、分析、顯示、報警等功能。系統在多臺Android 2.3以上系統的手機上測試后運行穩定、可靠，為醫護人員和患者提供了一種便攜、可靠、實用的癲癇發作監控解決方案。
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。