循環神經網絡結構極大地優化了時間序列數據的處理能力，但是其網絡梯度爆炸以及特征提取能力較差等問題，影響了它在輕度認知障礙（MCI）自動診斷中的應用。針對這一問題，本文提出貝葉斯優化雙向長短時神經網絡（BO-BiLSTM）構建MCI診斷模型的研究思路。診斷模型基于貝葉斯算法，結合先驗分布與后驗概率結果共同作用尋優BO-BiLSTM網絡超參數，并采用功率譜密度、模糊熵以及多重分形譜等能夠充分反映MCI腦認知狀態的多角度特征量作為診斷模型的輸入，實現MCI自動診斷。結果表明：基于特征融合的貝葉斯優化BiLSTM網絡模型，MCI診斷正確率可達到98.64%，能夠有效地完成MCI的診斷評估。綜上，基于此優化的長短時神經網絡模型，實現了MCI的自動診斷評估，為MCI智能診斷提供了一種新的模型。
為了充分挖掘輕度認知障礙（MCI）患者的神經振蕩耦合特征，本文分析對比了28名MCI患者（MCI組）與21名正常人（正常對照組）在六種異頻組合下的耦合特征強度。結果表明，與正常對照組相比，MCI組在δ-θ節律組合下交叉頻率耦合的全局相位同步指數差異具有統計學意義（P = 0.025，d = 0.398）。為了進一步驗證此耦合特征，本文提出一種優化的卷積神經網絡模型，該模型融入了時頻數據增強模塊與批歸一化層，在防止過擬合的同時增強了模型的魯棒性。基于此優化模型，以δ-θ節律組合下的鎖相值矩陣作為模型輸入的單一特征，對MCI患者的診斷正確率達（95.49±4.15）%，敏感性與特異性分別為（93.71 ± 7.21）%和（97.50 ± 5.34）%。本文研究結果表明，δ-θ節律組合下的鎖相值矩陣特征能夠充分反映MCI患者的認知狀態，有利于輔助MCI診斷。