基于低复杂度双正交小波滤波器组的脑电信号精神分裂症高效检测方法研究

为解决传统双正交小波滤波器因无限精度实现和计算复杂度高的问题，研究人员设计了一种新型低复杂度双正交小波滤波器组（LCBWFB），通过广义矩阵公式化技术和锐截止特性生成有理系数，实现了近正交性、正则性和完美重构。该方法在精神分裂症（SCZ）脑电信号（EEG）检测中，结合Fisher评分和自适应最小二乘支持向量机（A-LSSVM），取得了96.84%的10折交叉验证准确率，显著优于现有方法，为临床诊断提供了高效、低成本的解决方案。

　　

精神分裂症（Schizophrenia, SCZ）是一种严重影响患者认知和情感功能的慢性神经精神疾病，全球约有2500万患者。传统诊断依赖临床症状评估，存在主观性强、误诊率高的问题。脑电信号（EEG）因其高时间分辨率和非侵入性特点，成为SCZ检测的重要工具。然而，现有EEG分析方法面临小波滤波器计算复杂度高、特征选择冗余等挑战，亟需开发高效、低成本的自动化检测技术。

针对这一问题，研究人员设计了一种创新性的低复杂度双正交小波滤波器组（Low-Complexity Bi-orthogonal Wavelet Filter-Bank, LCBWFB）。该方法通过广义矩阵公式化技术生成具有锐截止特性的有理系数滤波器，显著降低了计算复杂度。研究团队采用Fisher评分筛选最具区分度的EEG通道，利用LCBWFB将信号分解为6个子带，提取22种特征后通过Wilcoxon符号秩检验筛选出5个关键熵特征（包括香农熵、Renyi熵等），最终采用灰狼算法（GWO）优化的自适应最小二乘支持向量机（A-LSSVM）进行分类。该成果发表于《Engineering Science and Technology, an International Journal》。

关键技术包括：1）基于半带多项式（HBP）的LCBWFB设计；2）Fisher评分通道选择；3）多尺度熵特征提取；4）GWO优化的A-LSSVM分类器。实验数据来自公开的64通道EEG数据集（49名健康对照和32名SCZ患者）。

研究结果：

1. LCBWFB设计优势
   通过对比9/7、10/6等不同滤波器组合，LCBWFB(20,34)在过渡带宽（ΔW=1.2136）和时频局部化（Δt²
   Δω²
   =0.3586）指标上优于传统小波，计算量减少40%。

2. 通道选择与特征优化
   前5个高Fisher评分通道（AFz、F2等）携带90%的疾病信息。五维熵特征组合（F5）在第四子带取得96.84%准确率（敏感性95.95%，特异性96.97%），显著高于单特征（F1）的79.85%。

3. 分类性能对比
   A-LSSVM+RBF核的10折交叉验证准确率（97.60%）比标准LSSVM提高2.75%。与现有方法相比，该模型将SCZ检测准确率提升2%（优于TQWT的95.24%和EWT的89.59%）。

结论与讨论：
该研究首次将LCBWFB应用于SCZ的EEG检测，通过算法创新实现了三重突破：1）有理系数滤波器硬件实现成本降低；2）5通道EEG即可达到多通道检测效果；3）A-LSSVM的GWO优化解决了超参数选择难题。临床意义在于为基层医疗提供便携式SCZ筛查方案，但需在更大样本中验证泛化能力。未来工作可探索深度学习融合与实时监测系统开发。