在微電極陣列植入的有創電生理實驗條件下,記錄大鼠麻醉過程中初級視覺皮層(V1)局部場電位(LFP),采用非線性動力學分析方法得到時間演化的復雜度變化曲線,并結合熱刺激甩尾延遲時間和心率兩項麻醉深度輔助判定指標,通過視覺刺激實驗驗證復雜度判定麻醉狀態的可靠性。實驗結果表明,麻醉過程中LFP的復雜度變化趨勢相似,在相同麻醉狀態下,視覺刺激前后大鼠初級視覺皮層響應LFP的復雜度差異不顯著;但是不同麻醉狀態下視覺刺激前后的LFP的復雜度具有顯著性差異,說明復雜度可以作為麻醉深度判定的指標。進一步利用優化方法得到判定麻醉深度的復雜度閾值,其可靠性和準確率較高,為開顱手術的患者臨床麻醉狀態檢測提供了有效的方法。
當個體在感知發生錯誤時，會在頭皮額中央區產生錯誤相關負電位（ERN）。ERN 信噪比低、個體差異大，單次檢測 ERN 比較困難。本文采用 ERN 大腦活動模式圖和離線識別正確率的方法優選腦電信號通道，進一步基于 ERN 離線識別正確率對時間段進行優選，然后基于小波變換對 ERN 的低頻時域特征與高頻時—頻域特征進行了分析，在此基礎上提出了 ERN 的單次檢測算法。最后，通過使用優選出的 6 個通道反饋刺激后 200～600 ms 的腦電數據，提取 0～3.9 Hz 頻段的降采樣點特征和 3.9～15.6 Hz 頻段的能量、方差特征，對 ERN 和非 ERN 進行單次識別，在 10 名受試者中實現了 72.0% ± 9.6% 的識別正確率。本文的研究結果有助于錯誤指令實時糾正技術在腦—機接口在線系統中的應用。
在實際應用中的腦-機接口系統要求腦電信號采集通道越少越好，然而當減少到只有一個通道時，其眼電偽跡去除比較困難。因此，本文提出一種基于小波變換和集合經驗模態分解的眼電偽跡去除算法，首先將單通道腦電信號進行小波變換，選擇包含眼電偽跡的小波成分進行集合經驗模態分解，進一步通過設置自相關系數閾值自動去除以眼電偽跡成分為主的固有模態函數，最后重構得到“干凈”的腦電信號。在仿真數據和真實數據上的對比實驗表明，本文所提算法解決了單通道腦電信號中眼電偽跡的自動去除問題，能夠在有效去除眼電偽跡的同時，造成較小的腦電信號失真，同時具有較低的算法復雜度，有助于推動腦-機接口技術走出實驗室，走向商業化應用。