精神分裂症是一种常见的脑部疾病,发病率高,给患者和社会带来极大的影响。目前功能磁共振成像技术已经越来越多的应用到精神分裂症的诊断治疗上,研究人员通过分析大脑活动的异常情况,发现大脑在功能上出现一些改变的情况。另一方面,对于精神分裂症实际诊断和治疗来说,需要进行诊断的患者为数众多,导致相关的临床医生有着极大的工作量,这样有可能导致诊断的效率不足甚至出现漏诊误诊的情况。因此,不管是对精神分裂症患者进行研究,还是基于研究的结果对患者进行初步诊断,方法和流程都可以进一步完善。在这种情况下,设计一个客观的辅助诊断系统是非常必要的,利用医疗数据和计算机技术进行辅助诊断有利于降低临床医生的工作量,提高诊断的准确率。目前对于精神分裂症在功能磁共振成像技术方面的研究仍然不是很全面。首先,从研究技术来说,功能磁共振成像技术可以分为两种:静息态和任务态下功能磁共振成像。现在利用这个技术对大脑的研究,有很多都是集中在静息态下进行的,而基于任务态的功能磁共振成像技术的分析研究相对有限。在利用功能磁共振技术对精神分裂症患者大脑进行分析之后,下一步需要对精神分裂症患者进行诊断,目前利用机器学习的方法对精神分裂症患者分类的研究已经发展起来。目前有研究人员利用认知语境,脑网络和扩散张量成像进行分类训练,但是把功能磁共振成像技术以及相关的指标与机器学习分类方法结合起来的研究相对较少,所以,本研究基于功能磁共振数据的处理与计算机技术中机器学习分类方法的预测,实现了精神分裂症患者辅助诊断系统的设计。充分的将计算机技术和医学方面数据进行结合,这样可以帮助临床上的医生对精神分裂症进行初步诊断、筛选和治疗。本文的主要工作包括:目前对于精神分裂症患者的研究多数集中在静息态下,静息态获取的是被试静息状态下的数据,而任务态成像发生在任务执行过程中,基于任务的研究可以提供对工作记忆中涉及的大脑功能连接的直接洞察力,这样可以更直观的探查到大脑的变化。然而,很少有研究分析精神分裂症在静息态和任务态下的大脑功能连接性。所以本研究针对不同的状态下包括任务态和静息态下精神分裂症患者和健康对照组的数据,通过对这些数据的初步预处理、功能磁共振指标分析处理、最后找出差异脑区,证明了精神分裂症患者和健康对照组在大脑功能上存在差异。把功能磁共振分析筛选出来的差异特征脑区作为特征输入,利用机器学习分类方法对这些特征脑区进行相关分类的训练,对分类器完成训练之后利用分类指标比较不同的分类器的分类效果,分类器主要包括决策树分类器、K近邻分类器、逻辑回归分类器以及支持向量机分类器。比较之后选出一个分类器使之具有最好的分类效果以供临床医生进行参考并且进行后续的治疗。其中支持向量机分类器在径向基核函数的情况下,相比于其他分类器的分类效果更好,而且在任务态下的功能磁共振数据对精神分裂症患者的分类准确率在80%以上,可以更好的对患者进行初步的分类。利用精神分裂症辅助诊断系统,经过功能磁共振成像技术处理和机器学习分类技术,使得临床医生对患者的数据可以进行初步的预处理,差异特征的提取以及对特征的分类。通过设计辅助系统,将有效的对病人影像学数据进行分析,初步实现对精神分裂症的预测,这大大的缩减了医生的工作劳累程度,使得临床医生的工作效率得以有效提升,同时能够让患者的诊断和后续治疗得到充分的保障。具有相当重要的理论价值和实际应用的意义。