如何從復雜的靜息態功能核磁共振成像（rs-fMRI）數據中提取高鑒別性特征，是提升精神分裂癥識別精度的關鍵。本文使用一種加權稀疏腦網絡構建方法，采用肯德爾相關系數（KCC）從腦網絡中提取連接特征，并基于線性支持向量機對 57 例精神分裂癥患者與 64 例健康受試者進行分類研究，最終得到了較高的分類精度（81.82%）。本文研究結果表明，相較于傳統的皮爾遜相關和基于稀疏表示的腦網絡構建方法，以及常用的雙樣本t檢驗（t-test）和最小絕對收縮與選擇算子（Lasso）特征選擇方法，本文提出的算法可以更有效地提取出能夠區分精神分裂癥患者與健康人群的腦功能網絡連接特征，進而提升分類精度；同時本研究中所提取的鑒別性連接特征或可作為潛在的臨床生物學標志物，用以輔助精神分裂癥的診斷。
揭示癲癇過程中腦內信息交互變化對臨床診療具有重要意義。早期研究表明，相位-幅度耦合（PAC）可作為定位致癇區域和表征癲癇狀態轉換的潛在生物標志物。然而，目前癲癇的相位-幅度耦合研究多集中于θ-γ耦合，對β-γ耦合在癲癇過程中的變化及潛在應用知之甚少。對此，本文基于癲癇頭皮腦電（EEG）數據，采用調節指數（MI）的PAC方法，探究癲癇不同狀態下β-γ耦合的變化。結果發現，癲癇過程中各腦區內β-γ耦合隨狀態發生改變，多數腦區內的β-γ耦合在發作期減小，在發作后期增加，其差異具有統計學意義。癲癇過程中不同腦區間也存在β-γ耦合，且β-γ耦合強度在發作后期增加，其差異具有統計學意義。這些研究結果既有助于理解癲癇過程中腦內信息交互的改變，也為癲癇的臨床診療提供了新參考。