大脑是神经系统中的高级中枢,负责机体的一切认知功能,而研究大脑的结构和功能,则成为了当前最热门的科学领域。疼痛是一种复杂的感官体验,也是困扰当今人类健康最严重的问题。解码疼痛神经信号一直以来都是神经科学领域重要的研究课题,它不仅能够帮助人们理解大脑处理疼痛信号的机制,进而推动新的治疗策略的产生,而且还将对临床以及闭环脑机接口产生重要的指导意义和应用价值。首先,针对从不同生理状态下的大鼠上记录得到的多模态的神经信号,本文从多个角度对疼痛问题进行了深入研究。通过将动物行为与神经生理记录相结合,来识别假定的自发性疼痛事件,并在诱发性疼痛和自发性疼痛之间均发现了不同的多模态神经响应:1)无论是正常还是处于慢性疼痛状态下的大鼠,初级体感皮层(primary somatosensory cortex,S1)中幅相耦合(phase-amplitude coupling,PAC)程度要强于前扣带皮层(anterior cingulate cortex,ACC)中的幅相耦合程度;2)在自发性疼痛期间,疼痛行为发生前S1中的 γ-ERS/ERD(event-relateddesynchronization/synchronization)与疼痛行为发生后的 ACC中的β-ERS/ERD相关;3)在诱发性疼痛期间,ACC和S1中疼痛调制(pain-modulated)神经元的发放率与由刺激诱发(stimulus-evoked)的事件相关电位(event-related potential,ERP)的振幅相关;4)ACC和S1中的集群锋电位和局部场电位(local field potential,LFP)为检测疼痛信号提供了重要信息。这些结果共同表明,无论在LFP还是细胞层面上,诱发性疼痛和自发性疼痛之间都存在着截然不同的神经机制,同样也指出了 ACC和S1在疼痛过程中编码作用的不同。其次,基于神经元集群锋电位数据,在泊松动态系统(poisson linear dynamic system,PLDS)模型的基础上,本文从提高急性疼痛检测精度的角度出发,提出了一种称之为”突变点检测器集成”(ensemble of change-point detectors,ECPDs)的解码算法。该算法利用集成学习的思想,通过整合一系列相互独立的“弱”检测器并制定多数投票机制来达到提升检测精度的目的。在多个计算机仿真数据以及真实实验记录数据的测试结果表明,本文提出的ECPDs的集成解码算法的检测性能要明显优于单检测器的性能。最后,基于LFP信号,本文首先通过对不同生理状态下大鼠的急性疼痛的强度进行了解码分析,证明了使用LFP信号来检测急性疼痛的可行性。根据LFP信号中theta频段和high-gamma频段的功率特征在区分疼痛强度研究中所发挥的作用,本文还提出了一种基于稳态卡尔曼滤波的检测急性疼痛信号的方法,通过在多个实验记录上进行验证,平均真阳性率达到了 80%以上,假阳性率低于20%。