認知功能損害是精神分裂癥的三大原發癥狀之一，在疾病早期發現和高危人群風險預警等方面具有重要價值。為了研究精神分裂癥患者在認知負載狀態下的腦電圖特異性，本試驗收集 17 例精神分裂癥患者和 19 例健康受試者的腦電信號作為對照，基于小波變換提取各頻段信號，計算非線性動力學及腦功能網絡屬性等特征，并利用機器學習算法將兩類人群進行自動分類分析。試驗結果表明，兩組受試者在認知負載狀態下，Fp1 和 Fp2 導聯在 α、β、θ、γ 這 4 個頻帶的關聯維數和樣本熵的差異均具有統計學意義，提示大腦額葉功能損傷是精神分裂癥認知功能損害的重要原因。進一步基于機器學習的自動分類分析結果表明，將非線性動力學與腦功能網絡屬性相結合作為分類器的輸入特征，所得分類效果最優，其結果顯示準確率為 76.77%、敏感度為 72.09%、特異性為 80.36%。本研究結果表明，腦電信號的非線性動力學和腦功能網絡屬性等特征，或可作為精神分裂癥早期篩查和輔助診斷的潛在生物標記物。
本文介紹了一種基于移動醫療的孕產婦健康監護系統。系統利用可穿戴設備檢測用戶的心電和血氧飽和度信號，在智能終端完成量表篩查和孕產婦臨床信息的錄入。上述結果及醫院生化分析結果通過移動互聯網上傳到云服務器端，利用機器學習算法進行數據挖掘，能夠實現孕產婦身體及精神健康狀態的評估與監護，最終結果與保健指導可以發送到用戶的智能終端進行顯示及存儲。
慢性精神分裂癥患者大腦的結構和功能異常已經被廣泛報道，但是首發未用藥精神分裂癥患者和正常人的相關研究較少。本研究采集了 44 名首發未用藥精神分裂癥患者和 56 名正常人的結構和靜息態功能磁共振圖像，基于自動解剖標簽模板提取了 90 個感興趣區域的灰質體積、局部一致性、低頻振蕩振幅和度中心度作為特征，并將這些特征作為輸入，用基于遞歸特征消除的支持向量機對首發未用藥精神分裂癥患者和正常人進行分類。結果表明，局部一致性和低頻振蕩振幅的組合為最佳分類特征，分類準確率達到 96.97%，并且分類權重最大的腦區主要位于額葉。研究結果有利于加深對精神分裂癥神經病理機制的了解，有助于開發出用于臨床輔助診斷的生物學標記物。