我国大脑疾病患者规模庞大且持续增长,仅癫痫病患者就高达900万,对于脑功能障碍疾病的诊治需求异常迫切。国家“十三五”规划提出重点发展脑疾病诊治。脑电图（EEG）技术可直观记录大脑活动的电信号。脑科学研究与医疗实践表明脑电技术有助于理解、评估脑神经活动状态。发展脑电智能化分析技术是脑疾病研究诊治的重要发展方向。随着脑电大数据时代的到来,脑电大数据技术为脑疾病实际诊断带来契机。依靠脑电大数据的智能化分析技术能够建立精确的脑认知与功能障碍细分模型,有助于形成精准个性化的评估诊疗方案,实现对脑疾病的早理解、早干预、早治疗的目标。当前脑电大数据智能化分析仍处在初级阶段,突出表现为两大技术挑战:（1）主观性强。人为脑功能状态识别与划分依赖专家的主观经验分析,脑电信号本身复杂、强噪声干扰及特征微弱等特性也加剧了主观经验分析对数据标定的影响,强依赖标定数据集的模型分析具有主观因素;（2）适应性差。脑电数据强度因人而异（个体差异性大）,且易受到环境因素的影响,导致脑电智能化分析模型面对不同被试与多变环境下出现严重偏差与错误,需要手动调整参数甚至重构模型。针对这两大技术挑战,本文提出脑电大数据探索分析研究,无需主观先验经验,挖掘脑电大数据潜在信息,探索大脑活动本质特征,识别分析脑功能状态。主要从两方面展开研究:（1）因子化分析:脑电数据蕴含着复杂脑神经活动状态,具有高维数据属性。因子化所提取的高维脑电低维典型特征有助于识别认知不同脑活动模式和解释大脑内部的工作机制。脑电大数据的大规模、大尺度、先验不稳定等特性为因子化表达带来了算不了、算不快、算不准的问题。本文提出面向脑电大数据的海量并行贝叶斯因子化分析方法（MPBF算法）。基于贝叶斯分解理论和GPU并行加速技术实现了高维脑电的无先验快速因子化。实验表明该方法无需先验信息情况下,能够完成任意维度高维脑电数据的因子化分解,并且在数据规模及扩展能力方面有较好表现,能力较常规方法高出2个数量级。（2）自适应聚类:聚类分析能够通过挖掘脑电数据本质结构,实现脑功能状态的识别与划分。基于聚类无监督算法特质,不依靠主观先验标签实现脑电状态划分。本文基于全局最优自适应和线性关系特征的对快速搜索密度峰值算法（FSFDPC）进行改进,提出了模式搜索与模糊准则自适应聚类算法（PSFCAC）来完成复杂脑电数据的自适应聚类。实验表明,PSFCAC能够自动选择合适截止距离参数,自动确定类簇数目,聚类性能较FSFDPC有所提升。本文基于以上两个方面研究构建脑电大数据探索分析框架,通过癫痫脑电和睡眠脑电进行因子化聚类探索分析实验。癫痫状态划分实验表明,该框架能够准确判断癫痫脑电状态数目,且状态划分平均准确率达到95.95%,可在无先验信息的情况下探索脑神经活动状态;在睡眠分期实验中能够自适应的划分出三类和四类睡眠分期状态,结果与睡眠分期标准具有一致性。以上实验结果分析显示该探索框架具有较强的脑电状态分析适应能力,能够用于探索大脑功能障碍本质认知的探索分析。综述所述本文相关研究可用于解决脑电大数据智能化分析过程中主观性强、适应性差的问题。