抑郁症是一种严重的神经系统疾病，已成为世界范围内的一大健康问题。轻度抑郁症的检测对于早期抑郁症的诊断非常重要。本研究试图找到一种更精确的融合模型，该模型可用于使用脑电图和眼动数据检测轻度抑郁症。

注意缺陷多动障碍（ADHD）是学龄儿童常见的神经发育障碍。注意力定向是一种潜在的临床诊断标记，有助于ADHD的早期诊断。但是，儿童ADHD中注意力定向受损的潜在病理生理基础仍不清楚。本研究通过单变量ERP分析和基于信息的多变量模式机器学习分析，对135名学龄儿童（70名儿童多动症患者和65名正常发育儿童）进行了高密度脑电图（EEG）测量，以直接研究空间选择性注意过程中的目标定位。通过使用基于个性化信息的多变量机器学习方法，我们提高了对神经发育障碍中认知缺陷的理解。

促炎因子可能与功能性脑网络异常有关，它可能是重度抑郁症 (MDD) 发病机制中的一种机制。脑电图 (EEG) 微状态能反映大脑网络的功能。但对于 MDD 患者的促炎因子与微状态异常之间的关系尚不清楚。本研究招募了 24 名 MDD 患者和 24 名年龄和性别匹配的健康对照组 (HC)，评估了蒙哥马利-阿斯伯格抑郁量表（MADRS），并收集血清（白细胞介素- 2 (IL- 2)、肿瘤坏死因子-α (TNF-α) 和 hs-C 反应蛋白 (CRP) 和脑电图（EEG）数据。

定向触觉拉动的肢体感觉是生活中很常见的一部分，但它们的神经机制仍然未知。先前研究表明，初级体感 (SI) 活动足以产生拉动感。本研究中我们将高密度脑电图与不对称振动相结合，从而产生一种错觉的牵拉感，从而消除来自无关感觉运动过程的拉动。在中性常见刺激（对称振动）和中性靶刺激之后，将产生与常见刺激相反方向拉动的oddball与相同的oddball进行比较。我们发现了反对感觉前额 N140 和支持中线P200的证据跟踪以顶内沟为中心的拉动感觉的出现，特别是对侧顶叶活动 264-320 毫秒。这表明 SI 不足以产生牵拉感，而后者依赖于顶叶联合皮层，可能反映了方向信息的提取和相关的空间处理。

传统的生物识别技术已经在高安全性用户认证系统中使用了 20 多年。但是，其中的一些模式在普通的生活中面临着低安全性问题。基于脑电波的用户身份验证已成为一种很有前景的可替代方法，因为它克服了其中一些缺点并进行持续学习的用户身份验证。在本研究中，我们通过提出一种基于数据驱动的脑电图 (EEG) 的身份验证方法来解决个人用户可变性的问题。我们引入机器学习技术，以快速有效的方式揭示最适合每个用户数据的最佳分类算法。

本研究使用个体头模型，并将其应用于源数据分析，检查了患有高风险自闭症谱系障碍 (ASD) 婴儿的面孔敏感性 N290 事件相关电位 (ERP) 的神经基础。其中包括患有 ASD (ASIBs) 的婴儿同胞和患有脆性 X 综合征 (FXS) 的婴儿。首先选择被试的个体头模，当被试自己的 MRI 不可用时，使用特定于组的头模型。这些结果为 ASD 高风险和低风险婴儿以及病因不同的高风险群体的面部处理过程中独特的神经激活模式提供了证据。在与专门的面部处理最相关的大脑区域中，所有婴儿对面部的激活程度都高于玩具刺激条件。患有 FXS 的婴儿在所分析的脑区中都显示出更高水平的面部激活，而 ASIB 则显示出更温和的激活水平。目前的研究结果证明了特定组头部模型对于 ASD 高风险婴儿的准确皮层源分析的重要性。