近年来,抑郁症的患病率逐步升高,成为最紧迫的公共健康问题之一。目前,对抑郁症患者的主要诊断方法大多数是通过医生和患者之间的沟通交流以及填写相关的问卷量表。此类方法缺乏客观性,依赖医生的从业经验与相应的专业背景知识且耗时费力。由于脑电信号具有非侵入性、低成本、操作简单、易于记录等优点,研究者开始将脑电信号应用于抑郁症识别研究中,利用机器学习算法对抑郁症脑电信号进行分析,试图找到一种客观、及时并且准确的抑郁症诊断方法。然而,现阶段有关使用深度学习进行抑郁症识别的研究相对较少,并且无论是使用传统的机器学习方法还是深度学习方法,大多数研究都基于脑电信号手动提取多个特征。然后将提取的特征与传统的分类算法或神经网络模型简单地结合在一起。如何找到更好的抑郁症识别方法仍然是一项挑战。为此,我们将利用机器学习和脑电信号探寻新的计算机辅助诊断抑郁症的方法。在本文中,我们基于情绪图片识别任务实验,使用128导HCGSN(Hydro Cel Geodesic Sensor Net)脑电采集系统收集脑电数据。我们选用28名被试的脑电数据进行研究,其中包括14名抑郁症被试与14名正常对照。本文的主要工作如下:(1)本文首先使用基于LMS算法的自适应噪声消除技术、0.5-40Hz带通滤波器、Fast ICA算法减弱伪迹对脑电信号的影响。使用AR模型和Hjorth算法在alpha波段、beta波段以及theta波段分别基于0.2s、0.5s、1s、2s的时间窗口计算功率谱密度和活动性作为原始特征向量。(2)使用统计分析的方法分析功率谱密度和活动性的平均值在alpha波段、beta波段、theta波段上抑郁症被试和正常被试的六个主要脑区(即:左额叶、左颞叶、左顶枕、右额叶、右颞叶和右顶枕)的变化。使用传统分类算法SVM、RF以及k NN对构造的特征向量集进行分析。(3)提出基于深度森林和SVM的集成学习模型。根据提出的集成学习模型的特性结合构造的特征向量的特点,进一步提出两种模型训练策略:基于固定特征的策略和基于固定时间窗口的策略。按照所提出的策略分别对集成学习模型进行训练。(4)通过将脑电信号从连续信号转化为图像的方法将脑电信号中的空间信息添加到抑郁症的识别分析中。针对生成的图像提出两种不同的卷积神经网络模型用于此类图像的识别,两种模型分别为7层CNN和8层CNN。同时使用EMD算法对脑电信号识别方法的另一种可能性进行探索。我们在总波段和单波段分别对所提出方法的性能进行评估。对于传统分类方法,总波段的最佳分类准确率为82.06%±7.47%,单波段的最佳分类准确率为84.86%±7.88%。对于集成学习方法,总波段的最佳分类准确率为89.02%±6.19%,单波段的最佳分类准确率为88.28%±6.72%。对于深度学习方法,总波段的最佳分类准确率为82.36%±9.57%,单波段的最佳分类准确率为84.75%±10.35%。对于EMD方法,总分量的最佳分类准确率为79.85%±6.55%,单个IMF分量的最佳分类准确率为85.25%±6.83%。这些研究结果证明了本文所提出方法的有效性并且表明脑电信号可以作为抑郁症识别研究的可靠指标,这为未来抑郁症诊断的过程中使用基于脑电信号的便携式系统辅助抑郁症识别提供了可能性。