功能性脑网络（Functional brain network,FBN）是不同神经元,神经元簇或大脑皮层区域之间动态神经活动相互作用的直观表达,它可以表征大脑网络的拓扑结构和动态特性,选用合适的方法构建FBN以准确有效地表征大脑网络特征是一个具有挑战性的课题。针对脑电图（Electroencephalograph,EEG）数据集,研究构建符合需求的功能性脑网络以获得相应的大脑网络类型和特征,这对检测和识别特定需要的大脑状态的研究具有重要作用。课题通过探索两种FBN的构建方法旨在提升基于FBN的疲劳驾驶状态识别模型的识别精度和稳定性,主要研究内容和取得的阶段性成果如下。（1）基于熵的FBN构建方法研究。熵可以有效地描述EEG信号的复杂性,非线性和不确定性,研究基于熵的FBN结构具有重要意义。首先,课题详细研究了采用四种熵特征来表征脑电信号,包括模糊熵（Fuzzy Entropy,FE）、样本熵（Sample Entropy,SE）、近似熵（Approximate Entropy,AE）和谱熵（Spectral Entropy,Sp E）。其次,课题研究了基于这些熵特征来构建相应的FBN的方法,构建了基于模糊熵、样本熵、近似熵和谱的FBN,以及基于对应指标构建了FBN疲劳驾驶状态识别模型（分别记为FE＿FBN、SE＿FBN、AE＿FBN、Sp E＿FBN）。最后,通过对网络测量指标的分析,在数据集上实验表明基于FE＿FBN模型可以实现良好的识别精度和识别稳定性。与其他识别模型相比,该模型能获得更高的准确性和更稳定的识别结果。（2）基于核典型相关性分析（Kernel Canonical Correlation Analysis,KCCA）的FBN疲劳驾驶状态识别模型（简称为KCCA＿FBN）的研究。针对现阶段脑电噪声的识别研究基本都是使用繁琐且耗时的降噪、去噪再进行信号重构的方法,本课题致力于研究在不重构信号的基础上能够适应脑电噪声数据的模型,提出了基于KCCA的度量方法以刻画不同网络节点连接之间的强弱,构建了KCCA＿FBN疲劳驾驶状态识别模型,旨在实现通过训练纯净脑电数据构建的模型能对携带噪声的脑电数据检测准确率有显著提高的效果。该方法针对两组非线性脑电数据的进行相关性分析,以找到一组具有代表性的综合变量对,使其映射在一维空间中的变量对的相关系数最大。这个最大的相关系数既代表了这两组多维变量的相关性,也代表了这两组变量最具代表性特征在所有典型变量对中所占的权重。实验证实,纯净脑电信号和携噪脑电信号通过此方法构建的功能性脑网络模型具有相似的局部效率。通过在疲劳驾驶数据集上进行测试,使用基于纯净脑电数据训练的KCCA＿FBN模型能对携带噪声的脑电数据进行分类识别,且具有识别准确率高和泛化能力强的效果。