酒精使用障碍（AUD）被认为是世界范围内的主要健康和社会问题。 更重要的是，由于自测报告的主观性，对AUD患者的筛查一直具有挑战性。 涉及神经影像学方法的自动化方法，例如定量脑电图（QEEG），已显示出令人鼓舞的研究成果。 但是，QEEG方法仅针对酒精依赖者（AD）和对照者而开发。 因此，本研究试图提出一种机器学习（ML）方法，以对1）酗酒者和健康对照者以及2）健康对照者，酗酒者和酗酒者进行分类。 拟议的ML方法涉及QEEG特征提取，最相关特征的选择以及研究参与者的相关组分类。 招募了12名酗酒者（平均年龄56.70±15.33岁），18名酗酒者（平均年龄46.80±9.29岁）和15名健康对照者（平均42.67±15.90岁）作为研究对象，以获取EEG数据。 在闭眼（EC）和睁眼（EO）条件下的10分钟内记录数据。 此外，还从EEG数据中提取了QEEG功能，例如绝对功率（AP）和相对功率（RP）。 利用t检验和主成分分析（PCA）等方法选择最相关的QEEG功能。 最后，将判别式QEEG功能用作分类模型的输入：线性判别分析（LDA），支持向量机（SVM），多层反向传播网络（MLP）和L

MATLAB心电图自动诊断程序。围绕心电信号预处理、心电波形检侧与定位、心电特征提取与分析三个方面。研究MIT数据库中的心电信号，针对心电信号中存在的工频干扰、基线漂移、肌电干扰等各种噪声,设计出了高通、低通、带阻、平滑效果滤波器来对心电信号进行预处理，对处理后的信号采用连续小波变化进行特征点的定位及瞬时心率的计算，最后通过分析给出诊断结果。