脑电信号是大量神经元同步发生的突触后电位总和行成的信号,其中包含了大量的生理和病理信息,可以反映一个人的脑活动状态。大量研究表明,精神分裂症病人和正常人的脑电信号特征区分明显,因此借助脑电特征进行精神分裂症病人的诊断,已成为许多专家学者的研究课题。传统的精神分裂症诊断是基于心理医生的主观判断,虽然借助了临床诊断量表,但是结果的主观性和误判率仍然比较高。随着机器学习技术的兴起,这项技术被越来越多的研究者应用到该类疾病诊断中,并已有不少研究人员证明了该课题研究的可行性及意义。近年来随着脑机接口(BCI)技术的发展,脑电生理特征已成为监测视觉,运动,想象及病理的重要指标。大多数基于脑电特征如ERP峰值幅度,功率谱等的精神分裂症诊断的研究已经取得了不错的结果。由于脑电特征数目远远大于被试数目,在构建分类模型中往往会有精度不够和过拟合的问题。因此,本研究在使用脑电特征进行模型构建之前,先使用特征选择算法进行特征筛选,不仅能减少特征冗余,而且大大提高了诊断模型的准确率和鲁棒性,同时也降低了诊断系统复杂度。本文主要使用了4种filter式特征选择算法,分别是Relieff,MI,SD,mRMR,并对这几种算法进行了详细介绍。本文改进了一种双水平脑电特征提取方法,即分别从传感器水平和源水平研究脑电信号的特征提取,并设计了基于支持矢量机(SVM)及K最近邻(KNN)分类器的精神分裂症诊断系统。精神分裂症诊断系统由五部分组成:脑电信号预处理,特征提取,特征选择,构建分类模型,模型评估。本研究使用的脑电数据均来自首发精神分裂症患者,这样排除了药物等因素对实验结果的影响,增加了结果的可靠性。该系统将来自于传感器水平的720维特征,源水平的428维特征及双水平下的1128维特征分别作为分类器的输入,以比较不同水平特征对结果的影响。最后,对系统进行评估的结果表明:(1)脑电特征能作为精神分裂症的诊断指标;(2)当使用双水平的特征进行分类模型搭建时,该诊断系统的准确率和鲁棒性要比仅使用单一水平特征更高;(3)当使用Relieff特征选择算法及双水平特征提取方法(源水平7个特征,传感器水平13个特征)可以得到最佳的诊断模型,最佳系统框架分别是:在SVM分类器下CCR(正确分类率)=95.2%±5.85,AUC=0.97±0.03;在KNN分类器下CCR=96.5%±4.79,AUC=0.97±0.03.