孤独症是一种神经系统疾病,通常发病于发育早期,往往影响患者的认知、情感、运动和社会交往,其发病原因不明,可能包含遗传、环境等因素。近些年来,孤独症患者的人数日益增长,受到了社会各界的广泛关注。然而目前对孤独症患者的诊断,主要依靠量表的评估和行为的观察等,主观性较强,缺乏客观指标。因此寻求潜在的客观指标对孤独症进行更加精确的诊断显得十分重要。脑电图是一种操作方便、无创的记录大脑头皮点位波动的技术,具备毫秒的时间分辨率,可反映大脑不同状态,已广泛应用于各种神经疾病的研究,本文利用静息态脑电技术对孤独症儿童开展研究。主要基于SSA算法提取脑电特征,为孤独症儿童的脑发育评估提供辅助诊断指标。本研究纳入80名儿童,其中包括40名孤独症儿童和相匹配的40名正常儿童。首先对得到的脑电信号进行肌电、呼吸等伪迹的预处理,以此得到较为干净的脑电数据。然后,通过SSA算法对脑电信号进行分解和重构,去除噪声分量,提取期望的节律;采用频域和时域方法提取脑电特征并进行分类。之后,在SSA算法的基础上,研究个体化峰值频率及节律,并提取时域相对能量特征,探索孤独症儿童和正常儿童的个体化差异,并进行相关性分析及分类算法研究。最后,研究尝试将脑电信号和深度学习相结合,将经SSA算法处理后的脑电数据进行划分;通过时频分析将脑电数据转换成时频图,以适用于深度学习网络,并构建卷积神经网络框架。研究结果表明SSA算法能够有效去除低频伪迹信号,提取脑电节律,且孤独症组节律相对能量较正常组偏低,通过时域方法提取的脑电特征具有更高的分类精度,其分类准确率为87.5%;孤独症儿童的个体化峰值频率较正常组向低频偏移,其分类准确率为81.25%;个体化节律相对能量分类准确率为80%;将两者进行融合后,得到最终的分类准确率为91.25%;同时,SSA算法重构的节律时域波形能够通过时频分析适用于深度学习,其准确率为83.28%,召回率99.38%,精确率75.18%,提供了一种基于SSA算法将脑电数据转换成图像数据以适用于深度学习模型的思路。本文基于SSA算法从脑电相对能量和个体化脑电节律出发,验证SSA算法的有效性并寻求潜在的客观生理指标,为孤独症的辅助诊断提供了有效方法;并进一步构建了适用于深度学习的脑电数据格式,为使用深度学习孤独症脑电特征提供了可能。