意识状态的评估是神经科学领域和临床实践的一个重要问题。尽管有许多理论被提出用来测量意识状态,例如熵和信息集成理论在全身麻醉深度中的应用研究等,但这些方法往往仅在某一种特定的应用场景下被证明是有效的。因此,为验证不同理论方法的有效性,意识评估需全面的考虑不同意识状态。意识分为觉醒和觉知两个维度,然而,大多数理论都只从单一的意识维度上去阐述意识的测量,目前并没有研究从两个维度上提出一个系统的框架量化可变的意识。鉴于此,本研究引入清醒、最小意识、麻醉和昏迷4种意识状态,并从意识的觉醒和觉知两个维度来构建意识的评估体系。首先,针对4种不同意识状态的脑电信号时频域对比分析,结果表明,清醒比其他三种意识状态的脑电信号幅值低,而昏迷状态的频谱能量主要集中在低频8Hz以下;其次,从功率谱密度和非线性理论两个角度实现特征提取和统计分析,功率谱密度包括5个子频段,非线性理论包括排序熵、样本熵、排序Lempel-Ziv复杂度和去趋势波动分析,结果显示,排序熵在4种状态之间两两均具有显著差异性,在意识的觉知维度上,以样本熵和排序Lempel-Ziv复杂度作为特征区分效果好,而在意识的觉醒维度上,以gamma频段功率谱密度和排序熵效果好。然后,采用遗传算法优化支持向量机、随机森林和BP神经网络三种机器学习分类算法,将分类模型与特征结合对4种意识状态分类,结果发现,非线性方法组合作为特征的方式分类效果最好,并且与遗传算法优化支持向量机的结合会达到最高的分类准确率,即92.3%。最后,为构建觉醒和觉知的意识双维度评估“量尺”,本文将排序熵、样本熵、排序Lempel-Ziv复杂度和去趋势波动分析作为自变量引入到多元线性回归模型中。研究证明,多元线性回归模型、非线性理论和机器学习结合是评估意识双维度的一种有效方式。