在现代临床医学中,振幅整合脑电图(aEEG)和脑电图(EEG)在新生儿的脑功能状态辨识中起到了越来越重要的作用。在临床上,医生通常将aEEG与EEG结合起来进行新生儿脑功能状态的诊断,但当前很多关于脑功能状态自动分析的研究都是基于aEEG或者EEG单独进行的。参照医生在临床上的应用,论文使用结合aEEG和EEG的方法进行新生儿脑功能状态的自动辨识。论文提出了一种将aEEG与EEG结合并将传统特征和深度特征组合的新生儿脑功能状态自动辨识方法。主要工作包括:1.参考临床上医生对新生儿脑功能状态的诊断过程,论文提出了一个aEEG与EEG相结合的新生儿脑功能状态自动辨识模型。使用传统特征工程和深度学习技术分别提取aEEG和EEG信号特征,并将其进行融合,然后构建分类模型,实现对新生儿脑功能状态的自动辨识,最终结果优于前人提出的算法。2.提出了一种基于LSTM的aEEG时间序列信号特征的提取方法。利用LSTM处理时序信号的优势,论文构建了一个LSTM模型,提取了aEEG时间序列信号特征。对实际aEEG信号分析的结果表明,基于论文构建的LSTM模型提取的aEEG时间序列信号特征优于传统人工设计的线性特征,使用该特征进行脑功能状态辨识的准确率比使用线性特征进行脑功能状态辨识的准确率高2%。3.提出了一种基于CNN的EEG分段时间序列信号特征的提取方法。利用CNN处理一维信号的优势,论文构建了一个CNN模型,提取了EEG分段时间序列信号特征。对实际EEG信号分析的结果表明,该特征优于传统特征工程方法提取的线性特征和复杂度特征的组合特征。使用该特征进行脑功能状态辨识的准确率比使用传统组合特征进行脑功能状态辨识的准确率高2%,达到了96.69%。惊厥作为新生儿脑功能状态的一种异常情况,论文最终结合传统特征和深度特征以惊厥为参照进行新生儿脑功能状态自动辨识的准确率达到97.68%。