基于卷积神经网络的脑电图特征提取在精神分裂症诊断中的突破性应用

推荐：本研究针对精神分裂症传统诊断方法主观性强、效率低的问题，创新性地采用卷积神经网络(CNN)结合多层感知器(MLP)对EEG信号进行深度特征提取与分类。在公开EEG数据集上实现98.26%（受试者独立）和91.21%（受试者依赖）的准确率，为精神疾病客观诊断提供了可解释性强的高效AI解决方案。

　　

精神分裂症作为全球患病率达1%的严重精神疾病，其诊断长期依赖主观性强的临床访谈和量表评估。尽管DSM-5和ICD-10等诊断标准被广泛应用，但缺乏客观生物学标记导致误诊率居高不下。近年来，EEG因其高时间分辨率、无创性和成本优势成为研究热点，但传统机器学习方法依赖人工特征工程，存在效率低、泛化性差等局限。

为解决这一难题，研究人员开展了一项基于深度学习的突破性研究。通过构建CNN-MLP混合架构，直接从19通道EEG原始信号中提取深层特征，在公开数据集上实现了超越传统方法的分类性能。特别值得注意的是，该模型在受试者独立测试中达到98.26%准确率，显著优于既往SVM-RBF（92.91%）和RF（83.00%）等算法，相关成果发表在《Journal of Computational Science》。

关键技术包括：1）采用0.5-50Hz带通滤波预处理EEG信号；2）基于T3/T4/Cz电极组合的时空特征提取；3）构建1D-CNN架构自动学习EEG深层模式；4）MLP分类器实现端到端训练；5）采用受试者独立/依赖双模式验证。

【结果与讨论】

1. 分类器性能比较：MLP在CNN特征基础上表现最优，其受试者独立测试准确率（98.26%）较传统SVM-RBF提升5.35%，证实深度特征提取的优越性。
2. 时空特征有效性：聚焦颞叶（T3/T4）和中央区（Cz）的电极组合，与精神分裂症患者典型的灰质体积减少区域高度吻合。
3. 模型泛化能力：受试者独立测试的高准确率表明模型具备临床推广潜力，可克服个体EEG信号变异性的干扰。

【结论】
该研究首次证实1D-CNN可直接从原始EEG信号中提取诊断性特征，避免了传统方法中复杂的时频变换（如CWT/DSTFT）。其创新性体现在：1）突破性地将CNN应用于1D脑电信号处理；2）建立可解释的深度学习框架；3）为精神疾病诊断提供标准化AI工具。未来可通过扩大样本量、融合fMRI等多模态数据进一步提升模型鲁棒性。

（注：全文严格基于原文事实，专业术语如DSM-5《精神疾病诊断与统计手册第5版》、1D-CNN《一维卷积神经网络》等均在首次出现时标注解释，作者名Murside Degirmenci等保留原拼写格式）