疼痛是一种真实或潜在组织损伤相关的令人不愉快的主观感受,目前自我报告是临床实践疼痛评估的金标准。然而自我报告可靠性较低,而且某些人群（例如意识障碍患者和婴儿）无法进行疼痛的自我评估,这会导致对疼痛的治疗不足或欠佳。因此,基于生理信号的客观疼痛评估方法在临床上十分必要。疼痛会诱发一系列脑电成分,且这些脑电成分的幅度和疼痛强度相关性很强,因此基于疼痛诱发脑电的疼痛评估近年来引起越来越多的关注。然而,传统的基于脑电的疼痛预测方法大多基于先验领域知识（已知的疼痛诱发脑电成分）提取脑电特征以建立预测模型,这会带来两个关键问题。第一,疼痛诱发脑电十分微弱且个体差异较大,难以根据领域知识准确提取特征。第二,现有知识可能无法涵盖所有与疼痛相关的、对疼痛有预测能力的脑电成分。近年来,随着以深度神经网络为代表的机器学习方法的迅速发展,数据驱动的脑电解码应用逐渐增多,这些应用可以更有效利用数据信息,突破领域知识的不足。但现在仍缺乏基于深度神经网络的、更加数据驱动的疼痛脑电解码研究。本研究将深度学习和集成学习等算法应用于基于疼痛诱发脑电的疼痛预测研究中,以发展更精准的疼痛评估方法。首先,我们提出了一种结合自编码和卷积神经网络的新算法（AE-LEPNet）。该算法使用自编码器（autoencoder,AE）针对疼痛激发的单试次激光诱发电位（laser-evoked potential,LEP）进行无监督的特征提取,并结合支持向量机（support vector machine,SVM）建立特征与疼痛程度（低痛与高痛）间的预测模型。具体地,利用深度卷积网络提取疼痛诱发脑电的多尺度特征,并整合到AE预设的隐藏层中,使用隐藏层中的特征作为疼痛脑电的特征。结果显示,AE-LEPNet的性能与传统方法（提取疼痛相关的LEP成分N2和P2特征,使用SVM分类）相比得到显著的提升。基于28名健康被试的疼痛脑电数据,AE-LEPNet对低痛和高痛的分类正确率77.7%,特异性75.0%,敏感性80.5%,AUC 0.77,这些指标均显著高于传统方法的分类结果（正确率75.0%,特异性73.2%,敏感性77.0%,AUC 0.74）。进一步,我们提出将集成学习中的堆叠法（Stacking）用于疼痛脑电解码,该方法可以有效地结合数据驱动方法和领域知识以增加预测准确率。具体地,堆叠法通过不同的一级分类器学习疼痛脑电的不同类型特征（传统N2和P2幅度特征和AE-LEPNet特征）,然后建立一个二级分类器以准确解码疼痛脑电。结果显示,基于堆叠法可以获得正确率78.6%,敏感性81.0%,特异性76.3%,AUC 0.78,与传统解码方法相比实现了性能的显著提升,比AE-LEPNet效果也有所提高。本研究基于自编码网络和堆叠算法,提出了两种新型的基于单试次疼痛诱发脑电解码方法,显著提高了疼痛预测的准确性。该研究突破了传统疼痛解码研究过于依赖领域知识的缺陷,探索更加数据驱动的方法,并进一步将领域知识与数据驱动结合,从而为实现更加准确的疼痛解码提供了新方法。本研究有潜力为发展更客观准确的临床疼痛评估技术做出贡献。