人脑神经振荡以及功能网络都存在巨大的个体差异,准确获取个体水平的脑电节律分布和功能连接信息是利用脑电图(electroencephalography,EEG)技术来研究大脑神经机制的必要条件。目前脑电功率谱分析普遍以固定频带范围的频率成分为基础,对不同被试者之间的脑电功率谱特征进行比较分析;而基于固定频带范围的功率谱分析低估了脑电节律的个体差异,降低了结果的有效性。另一方面,当前脑网络分析普遍将大脑网络视为一个稳态的系统,使用单一的平均数值来表征一段时间或局部脑区的相关特征,进行群组间的网络特征比较;而基于“平均”水平的网络分析忽略了个体脑网络在时域、频域和空间域的动态特性,只反应脑功能网络在人群中的总体趋势,丢弃了很多个体网络的动态特征。因而充分注重个体水平的脑电节律的分布差异,考虑个体脑网络在多个维度的动态特性,是推动个体化临床诊疗、采取更有针对性的诊疗干预措施的潜在需求。针对上述两类问题,本文从个体化脑电分析的角度出发,提出了个体化功率谱分析算法以及脑网络动态分析算法;并以自闭症儿童和典型发育儿童为研究主体,围绕个体化脑节律和大脑网络动力学特征,重点研究了个体水平的alpha脑节律的变化规律和脑网络在时域、频域以及空间域的动态特征,从不同层次对个体水平的自闭症儿童的alpha脑节律和网络连接模式进行探索与分析,促进了基于个体脑电数据的神经机制和疾病的脑电标记物的研究,为诸如自闭症等神经发育障碍疾病的研究提供新的研究思路和方法,为自闭症儿童的早期临床诊断提供了新科学指导和个性化的诊疗方案。本文的工作主要包含以下3个部分:(1)基于聚类融合算法的个体化脑电功率谱频带自动分割针对个体间功率谱在的差异性,结合不同脑节律在功率谱中分布差异性的特点,首次提出利用集成聚类学习的方法对功率谱频带进行个体化分割。通过仿真数据和实验数据的分析,都证实了算法对提取个体频率成分的有效性。因此,本文认为该算法可应用于提取个体化功率谱成分。(2)个体化脑网络动态分析算法针对大脑网络在多个维度的动态特征,我们系统的研究了大脑网络的动力学特征,建立了三个渐进式的脑网络动态模型,分别从网络的时域、时-空域以及时-频-空域来研究网络的动态特性;针对网络时域的动态特征,提出网络微状态识别算法,从时间尺度上研究了脑网络动力学特征;针对脑网络时-空域的动态特性,提出基于稳定性驱动的非负矩阵分解技术的时空域网络分解算法,将网络分解为一组具有特定地形拓扑结构的网络空间成分以及一组个体水平的网络时域成分;针对脑网络的时-频-空域的动态特性,提出基于张量分解技术的高维网络分解算法,将脑网络分解为一组具有特定地形拓扑结构的脑网络空间成分、一组参与此网络调制的频率成分以及个体水平上的网络时域成分。通过对实验和/或仿真数据的研究,验证了上述算法的有效性。因此,本文认为个体化脑网络分析算法可应用于提取大脑网络的动态特征。(3)个体化脑电分析在自闭症儿童的应用研究自闭症谱系障碍(autism spectrum disorder,ASD)是一种常见的儿童神经发育障碍性疾病,其大脑异常更多的表现在脑节律的个体差异和大脑网络的异常连接模式。基于静息态脑电数据,围绕个体化脑节律和大脑网络动力学特征,重点研究了个体水平的alpha脑节律和脑网络在时域、频域以及空间域的动态特征,从不同层次对个体水平的ASD儿童的alpha脑节律和网络连接模式进行探索与分析。个体化alpha脑节律的研究发现,ASD儿童的个体化alpha频带范围为7-10Hz(传统alpha频带:8-13Hz),且使用个体水平的alpha脑节律特征可以稳定的区分ASD儿童和典型发育儿童,揭示了个体化功率谱分析的重要性。个体化脑网络动态分析研究发现,ASD儿童的主要表现为跨半球长距离欠连接,半球内短距离过度连接的网络连接模式,且以低频节律调制长距离连接,高频节律调制短距离连接为显著特征。个体化脑节律特征和网络连接模式的准确提取,有助于理解ASD儿童的大脑机制,提供更加精确的电生理指标,为自闭症的临床脑调控和干预提供了个性化的诊疗方案。