脑电图是一种记录生物脑部电位活动的非入侵技术,在人机交互、神经科学、临床医疗等各个领域有潜在的应用,研究者收集了来自不同对象的各类脑电图数据,用于分析人类行为的控制方式、人类思维的产生原理和相关精神类疾病生成的缘由。其中,应用脑电图数据进行精神分裂症患病阶段的分析是一类新兴的研究领域。精神分裂症是精神类疾病的一种,它具有易复发、易致残等特征,给家庭和社会带来严重的疾病负担。而目前医疗部门的精神分裂症临床诊断结果基本来自专家问诊,进一步的病理研究和疾病治疗也被限制在问诊结果的基础上,基于这一现状,信息技术支持下的诊疗方法具有较大的研究和发展空间。为了精神分裂症病理研究的发展和诊疗方案的优化,需要一种基于客观数据的精神分裂症分析分类方法。本课题基于人工标定健康状态样本(HC)、精神分裂症首发样本(FES)和精神分裂症临床高危综合征样本(CHR)的脑电图数据,学习基于脑电图数据的自动分类方法,为诊疗筛选提供有效技术支持。从高维统计层面考虑,每一例样本的脑电图数据包含了一段时间内多导联脑电信号的变化情况。因此通过预处理、特征提取、机器学习分类相结合的方法来分析受试者脑电图数据。基于此方法能够对受试者进行分类,进而能从临床医学角度进行临床辅助诊断和病理分析。而从深度学习的角度考虑,通过采用预处理、数据形态转换和深度神经网络相结合的方式,可以获得更为准确的受试者脑电图数据分类结果。本文从高维统计和深度学习两个研究视角分别进行了脑电图数据分析算法的探索。本文主要工作分为如下三部分:(1)本文从高维统计视角分析脑电图频域数据,研究一种包含数据预处理、特征提取和机器学习分类三个阶段的分类算法。在数据预处理阶段获取了关键频段的频域数据;基于随机矩阵理论,在特征提取阶段采用频域数据的线性特征值统计量作为分类特征;在机器学习分类阶段,应用基于支持向量机的分类器。在此基础上本研究提出一种基于二次规划的频段权重分配算法,对于原始脑电图数据划分频段获取特征并分类,使用分类结果构建投票器,进而拟合求频段特征权重,获取各个频段在区分三类样本中的影响力权值,据此分析各频段特征中对于精神分裂症患病的影响因素。该结果有助于研究精神病病理,同时将权重分配结果应用在原分类器中可以达到分类效果的提升。(2)从深度学习视角分析脑电图时域数据,首先通过切分单样本数据的方式将个体特征泛化为群体特征、增加样本量以达到训练深度神经网络模型需要的海量数据要求。针对获得的大量EEG时域数据,本文研究一种适用于脑电图时域数据分类的卷积神经网络与支持向量机的组合算法,以获得分类精度的提升,有助于精神分裂症的信息技术支持下的辅助诊断研究。(3)为了更好地利用脑电图时域数据本身具有的空间位置信息和时间分辨率,通过数据预处理将每一时刻的脑电信号从向量转换为具有位置关系的微观态信息矩阵,针对矩阵的时间序列,提出一种面向空间信息的卷积神经网络与面向时序特征的循环神经网络相结合的级联网络架构,进一步提升三阶段分类的精确度。在三个实验环节中,本研究针对来自上海市精神卫生中心的健康状态、精神分裂症临床高危综合征和精神分裂症首发三阶段样本的脑电图数据,采用上述分类算法对数据进行分析和分类,验证了上述方法在精神分裂症病理研究和辅助诊断的效果。