探索并揭示痛觉脑活动的神经机制是获取更多的脑疾病诊断方法和治疗手段的一个具有挑战性的科学问题,尤其对神经性疼痛的早期预警和诊断非常重要。早期的痛觉脑活动检测方法如脑电图、脑磁图、血氧水平依赖功能磁共振成像技术和正电子发射断层扫描技术等。这些方法一定程度上改善了痛觉的检测和监测,为脑疾病的监控和治疗带来了发展契机。然而这些方法还存在一些技术难点,有的时间或空间分辨率低,有的设备昂贵、检测成本高或对人体有放射性伤害等,给院前预警和痛觉脑信号的精准识别带来了困难。微波检测技术因其不受时-空分辨率的限制、便携和低成本的特点,近年来逐渐受到国内外学者的关注,被广泛用于脑中风、脑肿瘤和失眠症等院前检测方面的研究。基于微波检测技术的优势,本文以急性紧张性痛觉脑活动为研究对象,从微波频率变化对痛觉神经元活动的影响、痛觉脑活动的检测和信号识别方法方面,开展了深入而广泛的研究。本文的研究内容和主要研究结果概述如下:1)利用微波能够调节脑活动功能区放电频率的特性,开展微波辐射对脑电相对功率变化影响的研究。根据微波辐射与脑动力学之间的关系,建立一种微波频率与动态痛觉脑电频带功率变化以及源定位关系的测试方法,寻找最佳微波测试频率。通过计算动态脑电频带相对功率的变化和对比源定位的影响,验证不同微波频率与痛觉脑功能区神经元放电频率的抑制/激活关系。结果表明,微波辐射能够改变脑电功率的变化,痛觉源活动会随着微波频率的变化而增强或减弱,且5GHz微波测试效果最佳。另外,对比微波传输信号与痛觉脑电信号的波形图及频谱图,利用线性相关分析方法,计算出微波传输信号与脑电信号之间的相关系数,验证了微波检测痛觉脑活动的可行性。2)提出了一种熵结合机器学习的方法识别微波传输信号中的痛觉信息。根据微波传输信号的时序变化特点,提出了基于波动的多尺度色散熵和基于频域变化的功率谱香农熵作为表征“无痛”和“痛”信号复杂度的特征。利用经验模态分解和变分模态分解提取两种疼痛类别信号的熵,采用基于互信息的最小冗余最大相关准则和主成分分析算法进行特征选择和降维,选取浅层机器学习模型对特征数据集进行训练和分类,分析特征提取算法、特征选择算法的分类性能。结果表明,熵对于区分具有不同复杂度的痛觉信号效果显著,基于变分模态分解结合最小冗余最大相关准则获取的特征数据具有更高的分类准确率、灵敏度、特异性、阳性预测值,分类策略表现更优,对于提高微波检测的识别性能具有重要价值。3)提出一种多类型复合特征的微波痛觉脑活动识别方法。在“无痛”和“痛”二分类任务的基础上,使用小波包分解、变分模态分解两种算法独立或叠加的方式,提取相对能量变化、精细复合多尺度色散熵、精细复合多尺度模糊熵和基于Burg算法的自回归模型系数作为识别无痛和痛的复合特征。采用浅层机器学习分类策略,评价复合特征的性能。结果显示,叠加的特征提取算法能够获得更大的识别能力,更有可能从信号中捕捉到的大脑非线性动态,且随机森林的分类策略更优,结果更稳定。该方法进一步优化了痛觉脑活动信号的识别率。4)提出了基于深度神经网络的疼痛强度特征表示与识别方法。借助小波包变换极佳的频带细分识别能力,利用多尺度熵、不同深度的卷积神经网络和不同层结构的长短时记忆网络的特征提取和分类模型,结合现有的浅层机器学习模型,设计了七种特征提取和识别模型。结果表明,卷积神经网络的特征提取模型,明显改善了中度疼痛和深度疼痛难以区分的情况,相比较多尺度熵特征模型,分类性能提高3%以上。而对于分类性能,卷积神经网络和长短时记忆网络要比浅层机器学习方法,分类准确率、精确率更高,尤其是双向长短时记忆网络。该方法解决了疼痛强度脑信号复杂的特征工程计算成本,同时增强了不同等级疼痛信号的识别能力。本文提出的微波检测方法依靠其不受时间分辨率和空间分辨率限制的优势,以其安全、低成本、方便快捷等优势使痛觉脑活动检测更加精确、及时和高效,对疼痛类型简单、快速、准确的检测具有重要应用价值。另外,运用先进的机器学习技术,挖掘脑活动数据中蕴含的信息,极大改善了痛觉和疼痛强度识别能力,为高精度的痛觉脑活动解析提供了科学基础和技术支持。