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