随着社会的不断发展,各方面的竞争压力持续加剧,人们患上各类精神疾病的概率日益上升,抑郁症就是其中之一。现今,针对抑郁症诊断的方式十分有限,医生主要通过调查患者的家族病史以及对患者进行结构化的精神状态访谈来判断病情,这样的方式较为主观,无法建立生理指标和病情间明确的联系。随着生理心理学等科学的发展,研究人员发现在相同环境的刺激下,抑郁症患者和健康人群在一些生理指标的变化上有着显著性差异,且这些变化不容易受人体主观意识控制。脑电信号由于其多方面的优势备受科研人员的青睐,从脑电信号中提取的各项指标已经被用于辅助精神疾病的诊断,其中就包括大脑连接网络,它是了解健康和疾病状态下人类大脑结构和功能的重要工具,脑连接模式的改变与各种精神疾病相关。在现实世界各事物关系的构建中,人们不仅希望了解它们之间的相关性,更希望找出它们间的因果关系,而大脑效应连接网络就涉及脑区间信息流动的因果依赖关系。所以,通过建模大脑因果效应连接网络,可以对复杂的大脑神经系统活动有更全面的了解,进而探索出有助于抑郁检测的准确信息。本文在传统时间序列因果关系挖掘的方法上进行了改进,提出了两个方案,一是通过在时域因果连接特征的计算中添加正则项来提升因果计算的准确性,二是利用基于变分自编码器的自监督生成模型从原始时间序列中自动学习因果连接特征,获得更加稳定的因果表征。总体来说,本文的研究工作和成果包括:（1）分析了传统格兰杰因果时域和频域上计算方法的特点,并利用多变量时间序列计算出的格兰杰因果特征来构建大脑效应连接网络,同时将其应用在抑郁识别中。针对时域因果连接特征计算上所存在的不足,本文提出了添加组套索（Group Lasso）正则项的改进方法,对表示一条连接关系的联合回归系数进行整体约束,提升时域因果计算的准确度。对于频域因果连接特征,本文充分考虑了脑电不同频段上的信息,计算了单个频段和全频段中的有向传递函数（Direct Transfer Function,DTF）和部分定向相干（Partial Directed Coherence,PDC）,并比较了它们在抑郁识别中的效果,发现度量直接因果效应的部分定向相干要表现更好,而且综合考虑全频段的信息对抑郁检测更有帮助。（2）提出了基于变分自编码器和图神经网络的因果连接特征学习及抑郁识别框架。利用大脑效应连接去进行抑郁识别的传统方法中,计算格兰杰因果连接特征和使用机器学习的方法进行抑郁判别被割裂成了两个步骤,没有形成有机的整体,这使得研究者们要经过费时费力的手工特征提取过程,且抑郁识别效果非常依赖特征的好坏,没有充分发挥机器学习模型的潜力。所以,本研究的模型结合了变分自编码器,在格兰杰因果思想的指导下,利用基于一维卷积神经网络的消息传递图神经网络来逐步学习因果连接特征。并且,多层感知机被嵌入到模型中,直接可以使用提取到的因果连接特征进行抑郁识别,这让模型将因果连接表征学习和抑郁分类识别形成了一个整体。在变分自编码器的先验概率计算中,本文引入高斯混合模型,使得不同类人群尽可能学得不一样的因果特征图,解决了变分自编码器学习表征时没有充分考虑类别信息的问题。而且由于神经网络能拟合任意复杂函数的特点,模型能够结合时域因果特征和频域因果特征的信息,获得稳定的抑郁识别效果。（3）本文在马来西亚圣恩大学抑郁数据集和美国亚利桑那大学抑郁数据集上进行了实验。实验结果表明,因果性连接特征的抑郁识别效果均优于相关性连接特征,说明发掘时间序列中的因果关系能获取更多有用的信息。添加组套索正则项的改进方法对时域因果计算的准确度有一定提升,在两个数据集中的抑郁识别准确率分别为88.60%和61.34%,高于其他传统因果时域特征的抑郁分类结果。基于变分自编码器和图神经网络的因果连接特征学习框架在两个数据集上的准确率分别为86.59%和62.12%,与其他传统时频域因果特征相比,本文模型在不同数据集上都有稳定的识别效果,而且在美国亚利桑那大学抑郁数据集上所得结果各项指标的标准差均为最小,进一步说明了所提出模型的稳定性与通用性。综上所述,本文从时间序列因果发掘的角度来探索大脑效应连接关系,并以此为基础进行抑郁识别。所提出的添加组套索正则项改进方法在时域计算中表现最优,因果连接特征学习神经网络能吸收传统时频域因果特征的特点,获得稳定的抑郁识别效果。