认知功能损害是精神分裂症疾病的三大原发症状之一,其在疾病早期发现和高危人群疾病风险预警方面具有潜在重要价值。此外,认知功能损害的改善情况是判断精神分裂症疾病治疗效果和预测疾病远期预后的重要指标之一。为了克服现有认知功能损害评估方式以患者自述和量表测评为主而带来的主观性和片面性,本研究在经典Oddball范式基础上,创新性地设计了一套以数字代替传统纯音的认知负载实验流程,并采用非线性动力学、功能脑网络、机器学习等方法,对认知负载状态下精神分裂症患者脑电信号的特异性进行了系统性分析,以期寻找到可以有效反映精神分裂症患者认知功能改善情况的脑电信号本质特征。实验共入组患者17人,健康对照19人。非线性动力学分析方面,通过比较患者组与健康组在关联维数和样本熵特征值上的组间差异,我们发现:患者在认知负载状态下的关联维数和样本熵数值结果均低于健康组,并且组间显著性差异脑区集中于前额皮质区域,γ频带下差异最为明显;患者的大脑前额皮质左侧区域功能存在异常;频带β,所有导联均存在患者样本熵数值高于健康组;频带θ,在前额皮质区域与枕叶均出现组间显著性差异;频带α,颞叶对应脑区的结果数值均明显高于其他脑区,但未出现组间显著性差异。功能脑网络分析方面,通过比较患者组与健康组在脑网络全局属性和节点属性特征值上的组间差异,我们发现:相较于健康组,患者组在认知负载状态下脑网络的小世界网络属性受到破坏,具体表现为聚类系数下降,最短路径长度增加,全局效率和局部效率下降;关于节点属性的分析结果表明额叶、颞叶是精神分裂症患者认知功能损害的二个重要脑区。基于支持向量机的两组被试自动分类研究方面,主要发现包括:脑网络属性和非线性动力学特征同时作为输入数据集时,分类器的性能最好(准确率为76.77%);与非线性动力学特征单独作为输入数据集的结果相比,脑网络属性特征单独作为输入数据集的分类效果较好。本研究结果表明大脑额叶功能损伤可能是导致精神分裂症患者认知功能损害的重要原因之一。本研究的发现为客观评估患者的认知功能提供了更简便、经济的量化指标,这些指标可能成为精神分裂症早期筛查和疾病诊断的生物标记物。