随着社会压力的不断增加,精神类疾病已经成为导致亚健康的主要因素之一,精神分裂症是一种严重且持续衰弱的精神类疾病,给患者、家庭和社会带来了巨大的影响,因此,对精神分裂症准确诊断的研究变得尤为重要。目前,脑电图被广泛应用于精神类疾病的临床检查中,也成为精神分裂症诊断的有力依据。在临床中,专业医师直接通过脑电图来判定精神分裂症,这种方法虽然有一定效果,但是工作量大,需要消耗大量的时间与精力,不适于大量准确的精神分裂症诊断。因此,通过计算机辅助来自动、高效、准确的判定精神分裂症是极其必要的。本研究将时域频域分析理论和机器学习、深度学习相关知识结合应用到精神分裂症脑电信号的诊断与分类研究中,提出一种基于循环卷积神经网络的精神分裂症分类方法,并以北京回龙观医院的55例正常被试和54例精神分裂症患者的脑电数据作为实验对象,验证了该方法的有效性。主要研究内容和成果如下:(1)比较模糊熵和快速傅里叶变换对精分脑电信号的检测能力。模糊熵对数据长度的敏感度低,抗噪能力强,研究选取模糊熵作为时域特征中的一种特征指标。快速傅里叶变换可以高效、快速的分析信号的频率特征,选择快速傅里叶变换作为频域特征中的一种特征指标。本研究通过统计检验和脑地形图比较了两种方法对精神分裂症脑电信号的检测能力。结果表明,在统计检验中,模糊熵特征有显著性差异,而在快速傅里叶变换特征中差异很小;在脑地形图中,两种特征都可以有效的区分正常被试和精神分裂症患者,其中模糊熵在脑地形图中显示出更好的区分效果。(2)提出基于循环卷积神经网络的精神分裂症患者分类方法。本文提出一种基于循环卷积神经网络的精神分裂症患者深度学习方法。首先通过等距方位投影,将输入的脑电信号转换成“RGB图像”;然后通过深度学习算法来构建循环卷积神经网络(卷积神经网络和长短时记忆网络的结合)模型,并且在卷积神经网络中设置不同的卷积层形成多个模型,对不同的模型训练和结果比较,得到最优的深度学习模型,从而获得最高的分类准确率。结果表明:模糊熵特征在所有的模型中分类结果均优于快速傅里叶变换的分类结果;当卷积神经网络结构中包含5个卷积层时,分类准确率最高,达到99.22%。在这里引入几种传统的机器学习方法进行分类来作为基本方法,分类结果表明:在传统机器学习中,支持向量机的准确率最高。在本研究中,我们提出深度学习模型均好于传统机器学习方法;此外,和之前的其他研究对比显示我们的方法分类准确率也更高。综上,本研究创新性地使用了等距方位投影来保留大脑电极之间的相对空间位置,使得输入到循环卷积神经网络中的EEG数据包含了时域、频域和空域特征,能够更好地进行分类。研究结果表明:模糊熵是精神分裂症分类中的一种有效特征指标。与近年来国内外精神分裂症的分类研究相比,基于该特征的循环卷积神经网络提高了准确率,为精神分裂症患者的临床诊断提供了较好的借鉴方法。