脑电图（Electroencephalogram,EEG）是一种检测脑部皮层电信号的技术,可以反映出人体的脑部生理状况,常被用于辅助诊断癫痫、抑郁症等脑部疾病。由于EEG波形高度随机,人类很难直接发现其与脑部疾病的相关性。随着人们对健康需求的提升以及人工智能技术的发展,科研人员提出了各种EEG信号处理和分析方法,为临床医学研究提供了更多的技术手段。本文利用时序神经网络对EEG信号进行处理分析,并在抑郁症诊断和麻醉深度监测这两类临床问题上展开研究。重度抑郁症是一种严重的精神疾病,其患者通常表现出极度厌世的状态。据统计,全球每年约有近百万人因抑郁症自杀而丧生。因此,抑郁症的识别与治疗成为了医学研究的重点。目前,抑郁症诊断很大程度上取决于自测量表和精神科医生评估,这种方式的主观性较强,导致抑郁症诊断的准确率偏低。近年来,研究人员提出了许多基于EEG和机器学习算法的抑郁症分类方法,但识别精度仍有待提高。麻醉深度监测是临床手术中重要的生命维持监护手段之一,麻醉不足或过量都可能给患者带来严重影响,如术中知晓、自主呼吸障碍等。血压、心率以及呼吸频率等临床指标可用于麻醉深度的估计,但由于患者体质及麻醉药物的不同,这些指标的表现差异较大,所以单一地分析这些临床指标并不可靠。针对上述背景与问题,本文分别提出了基于时序神经网络的抑郁症分类和麻醉深度监测框架,并进行仿真实验与分析。论文的主要工作包括:1、提出了一种基于EEG和门控循环单元的抑郁症分类框架。通过多种预处理手段对原始单通道EEG进行去噪,提取其微分熵特征,利用门控循环单元网络进行特征分类。为验证框架性能,本文搭建了不同脑电特征、不同网络模型的框架进行对比实验,并对模型进行评估。实验结果表明,在符合实际临床意义的前提下,本文提出的分类框架可以提高抑郁识别精确率。2、提出了一种基于EEG和Transformer编码器的麻醉深度监测框架。首先对原始单通道EEG进行预处理,提取频谱和微分熵特征,将两类特征融合后送入Transformer编码器网络,完成麻醉深度的预测。实验结果表明,小波频谱和微分熵的特征融合结合Transformer编码器网络预测性能最优。3、设计了一种基于单通道EEG的便携嵌入式麻醉深度监测系统。系统的搭建工作主要包含软硬件集成和可视化界面设计。该系统首先对脑电信号进行采集,并完成去噪等预处理操作,最后结合前期的深度学习模型进行麻醉深度的实时预测。