脑疾病诊断和类智脑科学是当前重要的研究方向,中国、美国以及欧盟都相继推出了大脑研究计划。我们对大脑的了解还很有限,目前主要研究方向包括认知原理、疾病诊断以及类智工程的研究等,大脑是如何感知外界环境,比如注意力、学习、短期记忆、长期记忆、大脑的决策机制、意识的形成以及对语言的认知等等都有待进一步研究。脑电信号具有高达毫秒级的时间分辨率,头皮EEG信号可无创采集,是研究大脑疾病和认知生理学的重要手段。近年来,认知脑电分析一直是脑电分析中的难点,这是因为:一方面,脑电信号是大量神经元突触后电位经颅骨低通滤波后在头皮的综合表现,是各功能区神经电活动在时、空两域高度融合的结果,因此,单导联所探测的脑电信号并不仅仅来自于电极所在的局部位置的神经元,各个导联间也并不完全相互独立;另一方面,大脑在认知活动中,不同功能区的复杂交互与去同步,使得认知脑电信号幅度微小,信噪比低,因而对于脑电认知成分分析和特征提取相对困难。近年来机器学习和深度学习在多个领域都取得了瞩目的成就,这些方法可以用来帮助对脑科学进行研究,同时脑科学的进步也会促进机器学习和深度学习的发展,比如在图像自动识别领域使用的卷积神经网络就是一种仿大脑神经元活动的方法。一般的认知实验都需要使用事件刺激或手工从脑电信号中去除伪迹,这都影响其在实时反馈中的应用,也不利于使用深度学习的方法对脑电信号进行分析。本文提出了基于分立导联特征的拓扑图、全局皮层连接的拓扑图以及提出了基于枕叶导联的耦合系数对多种认知任务下的脑电信号进行了分析,具体工作主要包括:(1)一方面为了研究注意力活动和视觉刺激对大脑的哪些部位带来影响;另一方面,试图寻找一种方法能够在没有人工干预以及不需要手工去除伪迹的情况下,区分出不同的大脑活动。注意力实验包括三种任务状态:字符辨识、睁眼放松和闭眼放松,前两种状态是对比注意力集中状态下的大脑活动,后两种是验证我们提出的方法能够检测到视皮层在视觉刺激下信号节律能量的变化及其非线性动力学性质的差异。从非线性的角度,本文使用了基于符号化样本熵的拓扑图对脑电信号进行分析,发现在P4、02、T6和C4导联位置有着更高的符号化样本熵值,右侧大脑在字符辨识的脑活动中起着比较关键的作用,这一点与神经科学的结论相一致。也对整个测试组进行了统计检验,所有测试者都有一致的结论。尤其在P4和02导联位置,注意力集中状态下明显有更大的符号化样本熵值,而传统样本熵的结果不够一致。在时频域上,我们提出了相对节律能量方法对实验结果进行分析,结果发现在注意力集中状态下,Gamma节律相对能量在P4、02和T6也有明显的增加。在分析睁眼状态和闭眼状态时,睁眼状态下的alpha节律能量要明显低于闭眼状态,从神经生理学知道,视觉刺激是从视网膜经外侧膝状体到达大脑后端的视皮层,在睁眼状态下alpha节律的去同步得到加强,使用基于符号化样本熵的拓扑图也得到了一致的结果。最后,我们从物理和生理两个角度进行了讨论。符号化样本熵和节律相对能量反映了 EEG动力学的两个不同方面,节律相对能量反映的是在特定节律上的频谱分布,而样本熵或符号化样本熵是对均匀或集中分布的衡量,与特定的节律没有关系,因此两个参数描述的信息可以相互补充。(2)提出了基于改进Pearson相关系数构成的脑功能网络对工作记忆下的脑电信号进行分析。设计了工作记忆实验,包含三种实验任务:工作记忆状态、安静放松状态和控制状态。脑电信号是非平稳的,采样率的不同会给相关性带来影响,在不同的频率范围进行相关系数比较时,很难说大的相关系数就代表大的相关性,为了避免这两个问题,本文对Pearson相关进行了调校,一方面只对某些节律使用Pearson相关,另一方面使用替代数据产生对应节律下相关系数的阈值。然后提出了两个参数,一个是连接强度,代表相关系数超过阈值的节点间的连接;另一个参数是节点强度,表示一个节点上所有与其有连接的连接强度之和。然后利用这两个参数构成脑功能网络拓扑图对工作记忆状态下的脑电信号进行分析,我们在beta和gamma节律上得到比较有意义的发现,a)将记忆和控制状态与安静状态比较时,beta节律的拓扑图显示,在T5/T6和01/02上有很强的连接强度,表示与视觉相关的腹侧流会产生较大的激活,这与其它文献报道保持一致;b)gamma节律的拓扑图可以看到,左右半脑的内部连接强度得到加强,而左右半脑间的前后连接变得较弱;c)从将记忆任务和控制任务进行比较的gamma拓扑图上,可以看到在T6导联的节点强度得到加强,这给在记忆的形成中,颞叶参与信息的联系和处理提供了有力的证据。更值得一提的是,这是从长时间跨度上(1秒到1分钟)和整个大脑皮层的空间跨度上捕捉到与工作记忆相关的脑功能网络的连接变化。(3)提出延时符号化联合熵的方法,将其归一化到[0,1]的区间上获得耦合系数,并用该参数检测脑功能区域的耦合强度。首先将该方法在经典的非线性动力学系统Henon序列进行数值验证,结果表明符号化联合熵准确地检测出了两个Henon系统的耦合度。使用延时符号化联合熵对睁眼和闭眼两种实验状态下的耦合进行了分析,在有延时的情况下,闭眼状态的耦合度明显高于睁眼状态,在P3、P4、T5和T6尤其明显。通过与替代数据产生的阈值比较,我们认为睁眼状态下,延时耦合强度非常微弱、同步性很小,相反,闭眼状态下,导联之间有相对明显的延时耦合。我们认为符号化联合熵在脑电分析中有如下优点:1)将4Hz以上的信号作为整体进行分析,而传统方法需要将脑电信号分解到不同的频段;2)该方法在实验过程中基本不需要人工干预,非常适合对脑电信号进行连续分析;3)与传统的联合熵进行比较,符号化联合熵也受益于等概率符号化方法,能够排除概率分布的影响、抵御瞬时大幅度干扰,而且从幅度域上看,它具有变分辨率的特性,在幅度分布集中的地方采用更多的符号代替,也就有更高的分辨率,而当幅度分布稀疏时,采用比较少的符号,即分辨率较低。通过对经典的Henon数据进行数值验证,该算法不仅能够检测两个序列间的耦合强度,而且能够检测到耦合的时间延时点,我们认为从符号化联合熵尺度归一化得到的耦合系数不仅能很好地检测出两种大脑活动状态下耦合性的差别,而且该方法对其它动力学系统或生理信号也同样适用。