基于图论特征和机器学习的精神分裂症识别研究

朱耿¹，徐琪¹，张凤珠²，杨雅琴 ²，李晓欧¹，李斌²，李胜天³

（1. 上海健康医学院 医疗器械学院，上海201318；2. 上海市杨浦区精神卫生中心，上海200093；3. 上海交通大学 Bio-X研究院，上海200240） 

摘要：为了实现对精神分裂症患者脑电图信号的自动识别，本研究计算了在进行Go/NoGo任务时记录的事件相关电位（ERP）得出的图论特征。ERP数据收集自42名精神分裂症患者和29名健康对照者。通过锁相值法构建了这些脑电图数据的单频段和全频段的不同功能网络，提取了它们的图论特征。使用三种机器学习分类器自动区分患者和健康对照组。比较了不同模型与不同网络的图论特征的分类准确性。结果显示，F-score与支持向量机相结合的模型准确率最高。该模型结合全波段网络和θ波段网络的图论特征，分类准确率最高，达到95.45%。这表明具有图论特征的支持向量机模型可被作为精神分裂症识别的潜在方法。

关键词：精神分裂症，机器学习，脑功能网络，事件相关电位  

 点击分享码全文pdf浏览：https://rdcu.be/egtoV 

Zhu, G., Xu, Q., Zhang, F. et al. Schizophrenia Identification Using Machine Learning Methods with Graph-Theoretic Features. J. Shanghai Jiaotong Univ. (Sci.) (2025). https://doi.org/10.1007/s12204-025-2811-y    

《上海交通大学学报（英文版）》是由教育部主管、上海交通大学主办的自然科学综合性学术期刊，被 EI、Scopus等检索系统收录。主要刊登反映基础理论和工程领域实验研究的最新成果，如电子工程和自动化、计算机和通信工程、船舶海洋和建筑工程、材料科学与工程以及生物医学工程等。从 2021 年开始，《上海交通大学学报（英文版）》主要刊登医工交叉研究和人工智能及其在工程中的应用成果。 

英文版主页：https://xuebao.sjtu.edu.cn/sjtu_en/EN/1007-1172/home.shtml

英文版 on Springer：https://link.springer.com/journal/12204