脑电作为一种无损伤,高时间分辨率,直接反映神经元电活动的技术,在理论研究和临床应用上至今仍有重要意义。但是如何从脑电这种极度复杂的信号中提取有用信息一直是一个难题。复杂度提供了一种客观、定量的描述事物复杂程度的方法。用复杂度方法分析脑电活动的复杂程度,可以提供一些有关大脑工作特性的新知识,新认识。从上世纪八十年代起,这一方向的研究已成为交叉学科研究的一个新热点。本文就是在这个方向上就以下五个方面进行了新的探索。 一些传统的复杂度方法需要对所分析的时间序列进行粗粒化处理。通过对logistic mapping迭代序列和一些实际脑电序列的研究表明:过分的粗粒化有时会歪曲时间序列的性质,给出错误的结果。过去,我们实验室曾提出一种无须过分粗粒化的新复杂度算法——CO复杂度,但是缺乏严格的数学基础。现在我们对CO复杂度进行了改进,应用改进后的CO复杂度对正常人睁眼休息和闭眼休息状态下脑电的复杂度进行分析,并同时应用另一种被广泛采用的同样无须过分粗粒化的复杂度算法——近似熵复杂度进行比较。CO复杂度的结果与近似熵复杂度具有一致的趋势。并且相比于近似熵复杂度,它还具有计算量小的优势。 目前国际上对二维结构复杂度的研究还处于刚起步的阶段。我们把CO复杂度推广到二维的情形,为这个领域提供一种很有希望的新方法。通过构造一系列不同规则程度的图像对二维CO复杂度进行了研究,结果表明,二维CO复杂度确实能反映图像的不规则程度,可以作为一种“随机性复杂度”意义上的复杂度方法用于图像等二维结构的分析。我们又首次把二维CO复杂度应用到猫初级视皮层光学成像方位功能图的研究。这一研究显示了二维CO复杂度在生物数据分析领域的应用前景。 关于完全随机的事物是否复杂,目前还存在争议。我们对此提出自己的观点,认为“复杂”这个概念包含不同方面或不同层次的含义,并提出了一种新概念——高阶复杂度实现了这