术中脑功能区定位能够指导医生在保护重要脑功能区的前提下最大程度切除癫痫、脑肿瘤等病灶,是提高神经外科手术成功率的关键环节。目前术中脑功能区定位的“金标准”——皮质电刺激法定位时间长、难度大、有创。如何准确、快速、无创地实现术中脑功能区定位,一直是困扰国内外神经外科手术的重大问题,亟待解决。本文开展基于静息态皮质脑电的术中脑功能区定位算法研究,包括静息态ECoG采集、预处理、特征提取和分类算法设计几个方面,探索术中脑功能区定位的新方法。首先,优化静息态ECoG的采集方法和预处理算法。设计智能电极接触状态检测器,检测和指示皮质电极与大脑皮层接触良好、电极悬空、电极间相互短路的三种状态,以保证在检测到良好接触时采集准确的ECoG;采用小波分解与重构算法滤波,使用db3小波对静息态ECoG进行7层小波分解,并重构d4～d7(2-32Hz)四个频段的信号,去除0-2Hz的低频干扰和32Hz以上的高频噪声,完成对静息态ECoG的滤波。其次,设计特征提取和分类算法。首先,使用db3小波对静息态ECoG进行7层小波分解,计算分解后2-4Hz、4-8Hz、8-16Hz、16-32Hz四个频段的频带能量特征;同时,计算预处理后每段静息态ECoG的6阶自相关模型系数;将两种特征组合形成10维的特征矢量作为最终的样本特征。然后,设计基于径向基核函数的支持向量机(SVM)分类算法,以及基于sigmoid激活函数的极限学习机(ELM)分类算法。最后,完成脑功能区定位算法的建模与测试。利用上述的预处理、特征提取和分类算法构建“基于静息态皮质脑电的术中脑功能区定位算法”,分别对6名患者的静息态ECoG进行预处理和特征提取,得到特征样本并按3:1随机分为训练集与测试集,将每名患者的训练集输入SVM和ELM,分别通过10折交叉验证法和解析法训练出模型并对各自的测试集进行测试。实验结果表明:使用SVM作为分类器时,术中脑功能区定位算法的平均分类准确率为95.31%,误检率为4.69%,平均分类时间为5.0150s;使用ELM作为分类器时,术中脑功能区定位算法的平均分类准确率为93.75%,误检率为6.25%,平均分类时间为0.0135s。因此,本文设计的基于小波变换与自相关模型组合的特征提取算法,以及基于SVM与ELM对比的分类算法应用于术中脑功能区定位具有良好的分类效果,并且使用ELM分类算法能够极大地缩短分类时间,实现快速、精准、安全地定位大脑功能区。