脑电信号(EEG)包含了大量的生理信息，对其作深入的研究不仅仅有助于提高对大脑神经系统的了解，更可以通过对脑电信号的分析，来验证各种治疗的效果，所以脑电图检查在临床诊断中起着越来越重要的作用。　　 目前对脑电信号进行去噪处理和特征提取的研究已经越来越广泛，现有的研究认为大脑活动及脑电图均具有非线性的特征。对脑电图的非线性动力学分析可能提供一种新的方法，来研究生理和病理状态下的大脑动力学变化情况。本文在人体诱发疼痛刺激实验基础上，设计不同模式的电刺激镇痛实验，从非线性动力学的观点研究针灸镇痛过程中脑电信号的特征变化，从全新的角度探讨针刺对镇痛治疗的可能作用机理，为针灸镇痛临床应用提供可视性理论依据。　　 本文主要从脑电信号的去噪和特征提取两方面进行展开，我们采用了传统的信号处理方法分析来对脑电信号进行去噪处理，根据其缺陷进行了一定的改进，提出了一种自动化的去噪运算方法，并采用了两种经典的信号处理方法对脑电信号进行了特征提取，具体工作如下：　　 首先，我们深入了解脑电信号的特点，概述脑电信号的生理科学意义，以及脑电信号的采样方法和流程。简要介绍本文中所采用实验的框架和流程。基于脑电的非线性特征，非线性动力学分析方法又被选取作为主要的分析手段。通过对非线性动力学各参数的进一步了解，我们最后选取了近似熵(ApEn)和KC复杂度作为大脑活动性的指标，用以反映大脑的复杂度。　　 然后我们先采用经验模式的方式，对连续的脑电信号进行截取并深入研究独立分量分析(ICA)算法，探讨ICA算法对脑电信号进行预处理的可行性。ICA通过对非高斯分布数据进行有效表示，获得在统计学上独立的各个分量，通过对噪声分量的去除以及信号分量的重构，实现对噪声和伪迹的去除。针对目前信号分解后噪声分量的处理尚停留在目测去除和人工识别阶段，耗时严重以及准确度差的不足，本文提出了一种基于独立分量分析的KC复杂度自动阈值算法，这种算法很好地解决了这个问题，我们计算分解后各分量的KC复杂度值，对得到的值进行阈值处理，将阈值以下的信号判别为噪声信号，实现了噪声的去除。　　 第三，深入学习KC复杂度的用法，并采用KC复杂度分别对有疼痛治疗穴位电刺激，疼痛治疗非穴位电刺激，无疼痛治疗的前、中、后期脑电数据。通过对电刺激前后脑电数据的复杂度分析，来证实经皮穴位电刺激疼痛治疗的效果，同时针对复杂度中存在的问题，采用近似熵来对实验结果进行分析，结果显示，近似熵的变换幅度，敏感性，均要好于复杂度，但运算速度要比KC复杂度慢。