随着社会经济的发展，科技水平的不断提高，人们的生活质量和社会观念得到了极大的提升。在物质资源日益丰富的今天，为了追求更好的生活质量，人们越来越重视自己的身体健康。不同于以前人们有病再治的医疗观念，现在无病预防越来越被人们重视，相较于治病所需要的高昂消费，健康的生活饮食习惯和疾病预防监测不仅成本低廉，也能减少疾病带来的身心上的损伤。在这股改变健康观念的新浪潮中，对脑电的研究也不再是一个比较神秘的领域，而是藉由便携式智能设备的大热而走进了更多的领域。

人们对脑电的研究由来已久，早在1924年德国的精神病学家Berger就通过电鳗发出电气得到启发，记录到了人类身上的脑电波，脑电图（electroencephalogram，EEG）也随之诞生。1932年，Dietch首先对脑电图进行了傅里叶变换，随后在脑电领域相继引入了频域分析、时域分析等经典方法。在之后的研究中，人们先后从脑电波中提取出了至少四个波段（也称为脑电节律），分别为δ波（1-3Hz）、θ波（4-7Hz）、α波（8-13Hz）和β波（14-30Hz）。在对节律的研究中，人们发现节律信息能比较清晰的反应出人的情绪、精神状态等信息，在医学上有很大的帮助，于是研究脑电节律成为脑电波研究的重要工作。

近二十年来，借助计算机的快速发展，许多新方法被实际运用于脑电分析中。除了时域分析、频域分析、时频分析等经典方法外，非线性动力学分析方法以及机器学习等也成为研究脑电信号的热门方法。近年来，机器学习成为计算机发展的一个重要方向，机器学习算法也成为一个庞大深奥的算法体系。由于大多数机器学习算法的自身特性，它不需要知道输入信号的具体函数，而是通过不断的学习和训练来减少误差，所以在处理背景噪声复杂的脑电信号时具有不错的性能。

机器学习是一门庞大的学科，包括回归算法、贝叶斯算法、正则化方法、决策树学习、聚类方法以及当下非常火热的人工神经网络和深度学习等许多分支。在计算能力越发廉价的今天，越来越多的机器学习的分析方法被运用于脑电分析中，脑电分析进入了快速发展的阶段。

人工神经网络在脑电领域运用最为广泛的是反向传递（Back Propagation，BP）方法，也就是BP神经网络。2010年，张垒发表文章讲述了利用神经网络自动识别睡眠脑电波的研究。文章中作者主要采用了BP神经网络对睡眠脑电波进行特征识别，并采用SDNN模型建立了睡眠脑电特征波识别系统。BP网络在处理非线性函数是具有广泛的适应性和有效性，虽然有诸如学习效率较低等缺陷，但仍然是处理脑电波特征提取非常好的方法。作者还基于时域和频域二维的数据特征波形提出了特征识别的SDNN模型，该模型通过学习可以识别出瞬时、孤立的特征波形，并且可以应对在脑电波形频率中的个体差异性问题。作者通过神经网络实现了脑电波的特征提取，并应用于睡眠分析工作，取得了较为显著的成果。

深度学习（Deep Learning）是人工神经网络的进一步发展，由于大多采用了半监督式的学习方法，所以在处理部分未标识的数据时有很强的能力。2015年，戴若梦研究了深度学习与传统分类器在识别运动想象脑电上的分类精度和效率。作者首先对原数据进行滤波和ICA处理，减弱了工频干扰、肌电、心电等噪声。然后作者将信号进行小波变换提取特征信息，并放入SVM和softmax神经网络中训练，研究传统分类机的精度。最后作者研究了深度学习中SAE和CNN模型对脑电数据的分类精度。通过研究对比发现，相较传统的分类器，深度学习有着明显的精度优势，而且不需要对数据进行手动提取特征，可以直接训练原始脑电数据；但同时有着训练时间长、对计算机性能要求高等劣势。

贝叶斯分类算法是基于贝叶斯定理的一类算法，这个有着250年历史的算法在信息时代有着无比重要的地位，常见的算法有朴素贝叶斯算法（Naive Bayes，NB）、平均单依赖估计（Averaged One-Dependence Estimators，AODE）等。2015年10月份，高佳、王蔚两人发表文章运用稀疏贝叶斯网络（Sparse Naive Bayesiannetwork，SNB）研究了情绪脑电的有效性网络。他们首先量化EEG信号并提取其中的alpha波和theta波，利用贝叶斯网络分析了不同唤醒程度下这两种节律的拓扑属性差异，同时还发现了左中颞比右前额在高唤醒度的因果关系更明显。通过实验分析发现，高唤醒度的EEG信号的平均聚类系数较高，且特征路径长度更长。