精神分裂症严重影响人类的生活质量甚至生命安全,而对其准确诊断是控制、治疗该疾病的首要任务。由于脑电信号(Electroencephalogram,EEG)的突出优势,其在疾病诊断中应用广泛。但传统诊断方法主要从EEG信号的时域、频域角度去检测疾病,这些方法不仅耗时耗力,而且主观性强,无法有效挖掘其中更有价值的隐含信息,并且对精神分裂症的诊断始终缺乏统一的标准。因此,开展关于精神分裂症准确诊断的研究变得尤为重要。随着非线性动力学的发展,以及EEG信号的非线性特征,利用非线性指标分析大脑疾病复杂度的变化在临床上成为一个热门的话题。之前的研究证明精神分裂症患者存在显著的复杂度异常。而熵作为一种非线性指标,具有抗噪能力强、数据长度依赖度小等特点,广泛应于EEG信号检测。而精神分裂症患者存在显著的感觉门控(Sensory Gating,SG)缺陷,SG-P50已被证明是精神分裂症重要的内表型,许多研究人员借助P50诱发电位研究SG机制。但是在SG的认知过程中,精神分裂症患者的复杂度调节仍然是未知。因此,本研究将熵引入到SG复杂度的研究中,期望能寻找到患者SG异常的动力学证据,并为精神分裂症的临床诊断提供一种可靠、准确的评价指标。本文使用听觉配对刺激范式对来自合作单位北京回龙观医院的55名正常被试和61名精神分裂症患者,记录其SG下的EEG数据。经过预处理后,分别使用近似熵、样本熵和模糊熵探讨基线(BaseLine,BL)状态和成对刺激下(S1和S2)大脑活动的复杂度变化情况。并从归一化和抑制比角度验证精神分裂症患者的SG异常。最后结合EEG信号的多种特性构建“EEG图像”,使用深度学习的方法进行分类研究,验证熵的检测能力。研究结果提供了对患者感觉信息处理和SG缺陷的更深入的理解,为精神分裂症的临床诊断提供了科学有效的检测标准。本研究主要完成的内容有以下几点:(1)近似熵、样本熵和模糊熵检测能力对比研究分别使用近似熵、样本熵和模糊熵结合听觉配对刺激范式研究正常对照组和精神分裂症患者组在静息态和任务态的复杂度变化情况,将三种熵的检测能力进行比较,并将存在显著差异的电极构成感兴趣区。(2)基于模糊熵的SG异常机制研究探索研究精神分裂症患者SG的复杂度变化模式。通过归一化处理,分析两组被试在配对刺激下的差异。并利用复杂度抑制比检测两组被试SG的区别,提取有差异的电极,进行感兴趣区分析,之后将感兴趣区的熵值与患者的量表信息做相关。(3)基于深度学习的精神分裂症患者分类研究利用熵值作为分类器的输入特征,进一步证实模糊熵的检测能力。首先对比了不同熵在传统机器学习分类方法中的检测性能,验证模糊熵的检测性能最好。为了进一步提升对精神分裂症患者的分类性能,研究中提出一种结合时、空、频域的深度学习算法,使用模糊熵值构建“EEG图像”,训练卷积神经网络,提升分类精度。以上研究结果一致表明,模糊熵是研究SG复杂度的一种有效方法,为寻找患者的SG缺陷提供动力学证据,并可作为精神分裂症临床诊断的一种非线性标准。