傳統基于腦電（EEG）的抑郁癥研究將電極視為孤立節點，忽略了它們之間的關聯性，難以發掘抑郁癥患者異常大腦拓撲改變。為此，本文提出一種基于腦功能網絡（BFN）的抑郁癥識別框架，為避免容積導體效應，相位延遲指數用于構建BFN；以加權與二值化BFN信息互補為基礎，選取“小世界”特性密切相關及最小生成樹特定腦區BFN指標，采用遞進式指標分析策略尋找抑郁癥識別潛在標識物。本文以48名受試者靜息態EEG數據用于驗證方案，結果表明組間同步性在左顳、右頂枕、右額腦區明顯改變；加權BFN最短路徑長度和聚類系數，二值化BFN左顳和右額的葉子分數及右頂枕的直徑與患者健康問卷9項（PHQ-9）之間具有相關性，且獲得最高94.11%的識別率。此外，研究發現相對于健康對照者，抑郁癥患者的信息處理能力明顯下降。通過上述結論，期望本研究結果可為BFN構建與分析提供新的思路，為抑郁癥識別潛在標識物的發掘提供新的方法。
精神障礙疾病成因復雜，早識別早干預是公認避免隨時間推移造成大腦不可逆轉損傷的有效途徑。已有的計算機輔助識別方法多關注于多模態數據融合，忽略了多模態數據異步采集問題。為此，本文提出一種基于可視圖的精神障礙識別框架，以期解決數據異步采集問題。首先，通過映射時序腦電（EEG）數據到空間可視圖（VG）；然后，采用改進自回歸模型，精準計算時序EEG數據特征，分析時空映射關系，合理選擇空間度量特征；最后，以時空信息互補為基礎，為各時空特征賦予不同貢獻系數，發掘特征最大潛能并做出決策。對照實驗結果表明，本文方法能夠有效提高精神障礙疾病的識別準確率，以阿爾茨海默癥與抑郁癥為例，分別獲得了最高93.73%和90.35%的識別率。綜上所述，本文結果為精神障礙疾病的快速臨床診斷提供了一種有效的計算機輔助工具。
癡呆癥是一種與腦網絡功能失調密切相關的神經退行性疾病。本研究基于相位鎖值來評估早期癡呆癥患者腦區間的相互依賴關系，并構建功能性腦網絡，基于復雜網絡分析方法選擇網絡特征參數進行度量。同時，分別提取表征腦電信號時域、頻域和時頻域特征的熵值信息，以及Hjorth和Hurst指標等非線性動力學特征。基于統計分析篩選在不同病癥之間存在顯著差異的特征參數構建特征向量，最后利用多種機器學習算法實現對癡呆癥患者早期類別的識別。結果表明，多特征的融合在阿爾茨海默癥、額顳葉癡呆與健康對照組的分類中表現優異，尤其在阿爾茨海默癥與健康對照組的識別中，β頻段的準確率達到98%，顯示了方法的有效性。本研究為癡呆癥早期診斷提供了新思路，也為計算機輔助診斷提方法供了參考。