基于脑电图(EEG)机器学习算法的精神分裂症高精度诊断模型研究

为解决精神分裂症诊断缺乏客观生物标志物的临床难题，研究人员通过脑电图(EEG)信号定量分析结合机器学习(ML)技术，开发出诊断准确率达93%的创新模型。该研究采用怀卡托知识分析环境(WEKA)的"监督属性选择"工具，首次发现前额右叶、中央区等脑区α/γ频段EEG特征具有显著诊断价值，为精神分裂症的智能辅助诊断及发病机制研究提供新思路。

　　

这项突破性研究揭示了脑电图(EEG)在精神分裂症诊断中的巨大潜力。科研团队创新性地运用机器学习(ML)算法，通过怀卡托知识分析环境(WEKA)的"监督属性选择"工具，从复杂脑电信号中筛选出具有诊断价值的特征参数。研究发现，源自前额右叶(frontal right)、中央区(central)、顶叶(parietal)和枕叶(occipital)等特定脑区的α和γ频段脑电信号，能够以93%的惊人准确率区分精神分裂症患者与健康人群。

该诊断模型不仅突破了传统精神病学诊断的主观局限性，其发现的EEG特征谱更可能成为探索疾病神经机制的重要线索。这种将人工智能与神经电生理相结合的创新策略，为精神分裂症的早期识别提供了客观、量化的新型生物标志物(biomarkers)，展现出临床转化应用的广阔前景。