帕金森病(Parkinson’s Disease,PD)又名震颤麻痹,是目前老年人中第三位最常见的神经性疾病,震颤、肌强直及运动减少是其主要临床特征。然而当观测到患者的各种临床特征时往往已经处于帕金森病的中晚期,为了不错过前期的最佳治疗时机,帕金森病的早期诊断就显得极其重要。近年来,研究者们除了关注帕金森病患者运动症状的改变之外,也越来越开始关注其他非运动症状,其中睡眠障碍已被认为是帕金森病的普遍症状之一,并且可以先于(帕金森病中晚期的)临床运动症状发生,有研究表明帕金森病初期患者已出现局部的脑电(electroencephalogram,EEG)活动改变,故本文针对上述现象展开研究,以期发现帕金森病初期患者在睡眠脑电方面的特征。由于在睡眠状态下,帕金森病患者的脑电还没有公认的特征指标,所以首先,本文设计个性化的实验,取得小鼠患帕金森病前后的睡眠脑电数据;其次,采用小波散射网络(wavelet scattering network,Scatnet)对帕金森病睡眠脑电信号的时频域方面进行非线性、多尺度分析,探测脑电信号间的协方差结构和全局依赖关系,研究帕金森病睡眠脑电和正常睡眠脑电(患病前)的差异性;然后,脑电信号作为一种典型的时间序列信号,前后时间信息之间有一定的因果性和相关性,为更好地挖掘其前后信息之间的这些时序特性,本文采用在此方面具有良好表现的长短期记忆(Long Short-Term Memory,LSTM)递归神经网络来学习经过小波分解与重构后的包含基本频率段的深度睡眠期的帕金森病脑电信号与正常脑电信号之间的隐含特征差异信息;最后,由于脑电信号是一种非平稳的,非线性的复杂信号,且帕金森病患者有大脑活动减缓的特点,而瞬时频率(Instantaneous Frequency,IF)是一种用来描述非平稳脑电信号的频率随时间变化的方法,功率谱熵(Power Spectral Entropy,PSE)不仅可以体现脑电时序信号的谱结构特征,而且可以作为非线性脑电序列信号复杂性的指标,故本文提出瞬时频率和功率谱熵的融合特征与LSTM神经网络模型相结合的方法,探索了睡眠期的帕金森病脑电和正常脑电在非平稳性、非线性、时频域和复杂度等特征上的异同性。在本文的实验中,依次采用上述方法对小鼠睡眠期的帕金森病脑电信号和正常脑电信号在不同特征方面的差异性进行了实验研究,并采用F1值和分类准确率两个指标对上述实验结果进行分析处理,实验结果表明:本文提出的融合瞬时频率和功率谱熵特征与LSTM神经网络模型相结合的方法取得了最好的效果,能区分帕金森病脑电和正常脑电,从而为帕金森病的早期诊断打下了基础。