基于EEG微状态与深度神经网络的精分症客观诊断新策略

为解决精神分裂症诊断依赖主观评估的难题，研究人员创新性地结合脑电图(EEG)微状态分析与机器学习技术，开发了高精度客观诊断模型。通过对14例患者和14例健康者19通道静息态EEG信号的分析，采用k-means聚类提取delta/theta/alpha/beta/gamma五频段及A-E五微状态特征，构建深度神经网络(DNN)和随机森林等分类器。最佳模型准确率达99.94%（随机森林，F8通道theta频段），揭示γ频段D→A微状态转换异常(差异值0.100)，为神经精神疾病诊疗提供了可量化的生物标志物。

　　

精神分裂症作为复杂的神经精神疾病，其诊断长期面临主观性挑战。这项突破性研究将脑电图(EEG)微状态(microstate)分析与深度神经网络(DNN)深度融合，开辟了客观诊断新路径。

研究团队采集了14名患者与14名健康对照者19导联的15分钟静息态EEG数据，通过数据增强将样本量扩展至每组56例。采用k-means聚类算法将信号分解为delta(1-4Hz)、theta(4-8Hz)、alpha(8-13Hz)、beta(13-30Hz)和gamma(30-48Hz)五个频段，并识别出A-E五类特征性微状态。从每个微状态中精准提取持续时间(duration)、出现频率(occurrence)、标准差、覆盖率(coverage)和主导频率五大关键参数。

令人瞩目的是，在gamma频段观察到显著的微状态转换异常，其中D→A转换概率的绝对差异高达0.100。随机森林分类器在F8额叶通道theta频段特征上表现惊艳，准确率飙升至99.94%±0.12%。深度神经网络模型则在枕区展现出98.31%±0.68%的稳定性能。特征维度分析揭示，双特征组合在多数模型中呈现最优分类效果。

这项研究不仅建立了精神分裂症EEG微状态生物标志物体系，更通过机器学习算法实现了近乎完美的分类精度。特别值得注意的是，高频段（尤其是gamma）微状态动态的异常，为理解疾病神经机制提供了新视角。该成果标志着神经精神疾病诊断从经验判断向定量分析的范式转变，为临床实践带来了革命性工具。