近日，我系认知神经科学研究团队与河北医科大学第一医院精神卫生研究团队合作，围绕脑电信号与深度学习技术的融合，提出了一种基于γ波特征的高效精神分裂症客观识别模型。相关成果“Enhancing schizophrenia diagnosis efficiency with EEGNet: a simplified recognition model based on γ band features”发表于国际知名神经影像与精神病学交叉区域期刊Psychiatry Research: Neuroimaging。

精神分裂症是一种严重且复杂的精神障碍，其早期诊断长期依赖临床访谈与量表评估，缺乏客观生理指标。针对这一难题，研究团队基于高时间分辨率的脑电（EEG）技术，聚焦于与大脑兴奋/抑制平衡密切相关的 γ波频段（30–80 Hz），并利用轻量化卷积神经网络 EEGNet 构建了可自动识别患者与健康人脑活动模式的智能诊断模型。

在28名受试者的静息态脑电数据上，研究团队采用留一被试交叉验证（LOSOCV）方法对模型进行验证，结果显示患者组平均识别准确率达 98.19%，健康对照组达 97.24%。与传统时域特征模型相比，该方法在保持高识别准确率的同时，显著提高了计算效率并降低了模型复杂度，为精神分裂症的客观化诊断提供了新的技术路径。

γ频段特征模型与传统时序特征模型的训练与验证曲线

研究结果进一步验证了γ波活动异常在精神分裂症中的关键作用，并通过模型可视化分析揭示了与疾病识别相关的脑区空间分布与频谱特征。该成果不仅为理解精神分裂症的神经机制提供了新的实证证据，也为未来基于脑电信号的智能诊断系统与个体化干预奠定了重要技术基础。

该研究展示了心理学、人工智能与医学影像技术的深度融合潜力，体现了我系心理学科在认知神经科学与精神疾病早期识别领域的持续创新与国际影响力。论文由我系副教授任维聪与河北医科大学第一医院副主任医师任会鹏共同担任通讯作者，我系硕士研究生郝帅（现为四川师范大学脑与心理科学研究院博士研究生）为第一作者，张志杰、王旭、张盼为共同作者。该研究得到河北省教育厅人文社会科学项目（项目编号：BJS2023012）的资助。

论文链接：https://www.sciencedirect.com/science/article/pii/S0925492725001027