基于脑电信号的认知功能障碍识别与分类进展综述

认知功能障碍的早期检测和及时干预对减缓病情发展至关重要。脑电（EEG）信号具有时间分辨率高、易采集等优点，目前已成为研究认知疾病生物标志物的重要工具。相较于传统的生物标志物识别方法，机器学习方法对于基于EEG信号的认知功能障碍的识别分类的准确率更高，稳定性更好。对于近三年基于EEG信号的认知功能障碍识别分类的相关研究，首先，从认知功能障碍识别分类中常用的时域、频域、时频域结合、非线性动力学、功能连接和脑网络这五类EEG特征出发，寻找更具代表性的EEG特征；其次，总结目前使用较多的支持向量机（SVM）、线性判别分析（LDA）、K-近邻（KNN）和人工神经网络（ANN）等机器学习和深度学习分类方法和这些方法的性能；最后，分析各类研究中目前存在的问题，并展望此领域未来的研究方向，从而为后续基于EEG信号的认知功能障碍识别分类的研究提供参考。