精神分裂症（Schizophrenia,SCZ）是一种具有严重危害性的慢性精神类疾病,可能给个人及家庭甚至社会带来沉重负担。目前,SCZ的病因和发病机制不完全清楚,临床主要依靠医生经验及患者与家属的病情陈述进行诊断与疗效评估,缺乏客观的评判指标。因此,寻找SCZ的客观电生理标志物以改善SCZ诊断及疗效评估,具有重要的临床意义。临床治疗SCZ主要以抗精神分裂症药物为主。本文针对服用氯氮平的SCZ患者,从其静息态脑电（electroencephalography,EEG）入手,通过功率谱和脑网络分析,对服药前后的EEG数据进行对比研究,探寻SCZ的特定电生理指标,并在此基础上采用机器学习（Machine Learning,ML）方法,进一步验证这些电生理指标在SCZ的临床诊断及疗效评估中的作用。具体如下:1、基于SCZ患者的静息态EEG数据,对比其与健康对照组（Healthy Control,HC）的功率谱、脑网络拓扑和网络属性之间的差异。结果发现:SCZ患者在额叶、颞叶和顶叶的高频段（beta1、beta2和gamma）功率谱显著增高,其gamma频段脑网络拓扑在额叶、额叶-顶叶、额叶-颞叶和额叶-中央区域的连接显著增强,脑网络属性进一步显示SCZ患者脑区间的信息交互程度增高。经氯氮平治疗两个月后,SCZ患者高频段部分脑区功率谱增高的情况有所缓解,主要表现在额叶区功率谱显著降低;同时,gamma频段下的额叶、额叶-顶叶和左右半球间的连接显著降低。这些结果表明静息态脑电高频段（beta1、beta2和gamma）功率谱及gamma频段脑网络拓扑与SCZ的相关性较高。2、基于上述静息EEG数据分析,从高频段（beta1、beta2和gamma）功率谱特征和gamma频段脑网络拓扑特征中,使用分类选择算法挑选出最具辨识力的特征,然后采用机器学习算法进行分类。结果发现:基于SVM分类器,使用RF特征选择算法对gamma频段网络拓扑特征挑选特征子集进行分类的效果最好,其中对SCZ的分类准确率达96.15%,氯氮平疗效评估的准确率达96.15%,同时挑选出的特征具有较好的可解释性。这些结果进一步显示gamma频段脑网络拓扑特征有望作为SCZ诊断及氯氮平疗效评估的客观电生理指标。本研究基于静息态EEG数据,结合特征选择算法提出的机器学习方法,发现gamma频段脑网络拓扑特征有望作为SCZ的客观电生理指标,辅助临床进行诊断,同时在辅助评估临床药物疗效方面也有一定参考价值。