抑郁症是一种全球常见的影响人们心理健康的疾病,它不仅影响着患者的生活质量,而且可能引致患者自杀,因此能否及时有效地诊断出抑郁症很重要。当下抑郁症的主要诊断方法是通过医生与患者的面对面交流,从而得到一个主观的诊断。但是,患者的主观陈述往往不够准确,可能会导致误诊,所以需要一种客观的手段来给医生提供辅助诊断。脑电(Electroencephalogram,EEG)由于其直接反映人脑信息传输与状态的优点,可以被用于疾病诊断。此外,为了克服多导脑电操作复杂、耗时长的缺陷,并考虑到抑郁会导致大脑前额叶活动异常,本文设计了基于额叶三导脑电的抑郁分类模型,可以快速、便捷地实现抑郁检测。本文基于额叶三导脑电数据,针对其时域、频域以及导联间的空间信息,采用不同的方法,进行了抑郁分类研究。其中,本研究主要运用卷积神经网络(Convolutional Neural Network,CNN)搭建了抑郁分类模型,进行了探索性的研究。本文主要工作和创新点如下:1.以往的脑电分类工作中,特征是基于单个导联信号提取的,忽略了不同导联脑电的空间信息。本研究设计了CNN的学习分类模型,以三导脑电数据为输入集,利用CNN局部卷积的特性,提取其空间信息特征。然后,搭建了六个不同深度的模型,通过性能验证,选择出了其中最优的九层CNN作为仿真模型。此外,本文还计算了多个脑电特征,以支持向量机(Support Vector Machine,SVM)作为对照模型,比较二者在分类正确率等多项指标上的表现。结果表明,本研究设计的CNN模型可以更好地区分两类数据,测试正确率达到了81.88%。2.考虑到脑电波形具有形态学特征,且抑郁病患者的脑电波形相对于正常人具有慢波成分变多等特点,本研究提出了一种将三导脑电数据转化成时域波形图片数据研究方法。在其中,为了突出图片中的波形,对图片进行了灰度化。接着,设计了适合脑电图片数据的20层CNN,并搭建了三种经典架构的CNN进行仿真分析,最终最优的测试正确率达到了84.60%。3.与正常人相比,抑郁患者在频域上有α波功率值上升、β波功率值下降的特点,因此本研究在时域波形图片数据的基础上,又构建了频谱波形图片数据。并且,本研究提出了一种以CNN提取特征+特征融合算法融合特征的特征处理模块,对时域及频域信息在CNN的三个不同阶段提取出的特征进行融合。使用支持向量机和K-近邻(K-Nearest Neighbor,KNN)算法作为分类器来测试三个融合特征集的分类效果,结果发现,与其它特征集相比,经过三次融合后的特征集,与实际标签相关性更高,分类的表现更好。另外,针对三次融合后的特征集,本文采用CNN、SVM、KNN三种模型进行实验仿真和对比。最终CNN的测试正确率达到了86.21%,优于另外两种方法。综合以上研究,在本文中:第一,探索了基于端到端网络的三导脑电分类的研究方法;第二,将脑电时域和频域信息转化成各自的波形图片数据,提高了抑郁与正常对照的分类率;第三,结合特征融合,对以CNN为特征提取模块,多种模型为分类器的研究方法进行了探索。通过结果的分析,本研究设计的方法可以为抑郁患者的辅助诊断提供新的思路。