針對臨床帕金森病（PD）伴快速眼動睡眠行為障礙（RBD）診斷方法的局限性，為了提高診斷準確率，提出基于少導聯腦電和時頻深度網絡的智能輔助診斷方法。首先，為提高運算速度及算法魯棒性，對各被試者的6導聯頭皮腦電數據進行等長的時間窗提取；然后，基于時間窗腦電數據構建時頻深度網絡，并得到基于時間窗的分類結果；最后，對各被試者所有時間窗腦電數據的分類結果進行綜合決策，實現基于被試者的PD伴RBD輔助診斷。本文以南京醫科大學附屬腦科醫院采集的PD伴和不伴RBD患者的多導睡眠圖（PSG）為研究對象，兩類數據各30例，以醫生診斷結果作為金標準進行算法性能驗證。本文方法基于時間窗的分類準確率為0.902 4，基于被試者的分類準確率為0.933 3，比RBD臨床篩查問卷效果更好。
多任務運動想象腦電信號有效分類有助于實現精準的多維人機交互，充分利用受試者的高度頻域特異性可提升分類準確率和魯棒性。為此，本文提出基于自適應時頻共空間模式結合卷積神經網絡的多任務腦電信號分類方法。通過自適應頻譜感知提取受試者個性化節律特性，再采用一對多共空間模式計算空域特性，進而表征復合時域特性構建時空頻多層次融合特征，最后利用卷積神經網絡進行高精度高魯棒性四分類。本文采用包含10位受試者［（33 ± 3）歲］實測數據的自測數據集以及第四屆2018腦機接口競賽數據集2a（BCI competition Ⅳ-2a）對本文算法進行驗證，所提算法四分類平均準確率分別達到了93.96%和84.04%，且在公開數據集中本文算法相較于其它先進算法平均分類準確率明顯提高，受試者間準確率范圍誤差則大幅降低。結果表明，本文所提算法在多任務分類中表現出良好性能，能有效提高分類精度和魯棒性。