本选题针对精神分裂症的诊断问题，包括人力、物力开销大、医龄较小的医生诊断的错误率高等，采用了卷积神经网络和yolov5模型相结合，对EEG进行分析并在此基础上加上了基于opencv识别的眼动图的辅助。在前端建立可视化平台，并使用Myriad MA2485 X人工智能NPU协处理器及人工智能计算板,将环境部署在工控主机上，并可云端解决。硬件包含一个CCD镜头和一个脑电头盔仪。通过此项目降低医疗工作者在诊断精神分裂症方面的工作量。
1. 使用脑电波EEG分析：
本项目使用了波兰华沙精神病学和神经病学研究所的数据集，预处理对EEG进行z分数标准化和L2正则，输入的传统ML模型包括SVM、KNN、决策树(DT)、朴素贝叶斯、随机森林(RF)、ERT、袋装(bagging)法，DL网络包括各种一维(1D)-CNN、LSTM、1D-CNN-LSTM模型，用于执行特征提取与分类。研究将观察九种基于LSTM、1D-CNN、1D-CNN-LSTM的DL方法。
2. CNN-LSTM分类模型：
分类模型阶段：我们主要使用CNN-LSTM模型，CNN-LSTM模型。通过CNN卷积神经网络对脑电波图像信息进行加权求和，经过卷积核处理后的输出为特征（feature map）。多个不同卷积核分别对图像进行特征提取运算，获得多种角度的特征输出层。因此在特征工程中得到了广泛的应用。LSTM有按时间顺序扩张的特性，也用在该项目的分类模型中，我们也对该模型进行了一些修改，使其准确率有了提升。
3. 数据综合判断：
本项目一大创新点是结合了诊断精神分裂的多个方向来综合判断考虑，结合了对Egg脑电波数据和眼动数据两个重要的判断标准来辅助医生诊断患者患病的情况。而且在脑电波图像上使用了CNN-LSTM模型来对数据进行预测，并通过数据可视化将图片和数据相结合，在诊断系统平台上进行展示，使得医生对于精神分裂症的判断的依据更丰富，而且预测的效果也会更好。