目前,抑郁症已经成为全球主要的健康和经济负担,然而现在对于抑郁症的诊断却存在诸多问题,如病人配合度低、主观偏向问题以及低准确性等,因此,需要一种可靠的、客观的评估手段实现有效的抑郁检测。EEG以其时间分辨率高、便于记录以及无侵入性等优势成为本研究的最优选择。抑郁症根据发病的程度可分为轻度、中度以及重度抑郁症,且抑郁是一个变化发展的过程,所以准确的检测、预防及避免病情严重化将是我们亟待解决的问题。虽然近些年存在较多结合EEG信号及各种分类技术和特征选择方法进行抑郁识别的研究,但是针对轻度抑郁症人群的研究还相对较少,且其识别精度还有待提高。故本研究对10名轻度抑郁症被试和10名正常对照在情绪面部表情图片任务(Emo_block和Neu_block)下的脑电信号进行处理与分析,期望发现与轻度抑郁有显著性关联的频率波段以及脑区,并希望找到最优的特征选择和分类算法的组合方法以应用到未来的轻度抑郁检测之中。同时,为了简化实验任务,更好地实现普适化的目标,本文也采集了30名中重度抑郁症患者和17名正常对照的5分钟静息态脑电数据,其目的是为了探究静息态脑电中是否存在可以用来区分抑郁症患者和正常被试的生物指标。下面将本文的主要工作与贡献阐述如下:(1)本文针对轻度抑郁症被试脑电数据提取了8个线性特征和9个非线性动力学特征,由于脑电特征维度较高,为了去除冗余、低判别性能特征,本文应用基于关联性的特征选择(CFS)的BestFirst(BF)、GreedyStepwise(GSW)、GeneticSearch(GS)、LinearForwordSelection(LFS)和RankSearch(RS)5种搜索算法进行特征选择,并使用贝叶斯信念网络(BN)、支持向量机(SVM)、最近邻分类器(KNN)、逻辑回归(LR)以及随机森林(RF)5种典型分类器进行分类。实验结果表明:GSW+KNN的组合方法可以实现最优的性能,且beta波段的分类结果高于alpha和theta波段的结果,对于Emo_block和Neu_block任务下的beta频段数据,实现的分类准确率分别为92.00%和98.00%,在此种情况下,GSW+KNN获得的准确率比GSW+其他分类器(BN,SVM,LR和RF)的准确率分别平均提高了4.17%和9.25%,T检验结果也验证了此方法的有效性;分析获得最高准确率的特征及其脑区分布特点,本文发现线性特征以及左顶颞脑区在识别轻度抑郁症被试具有更加重要的作用;简化的EEG系统(FP1、FP2、F3、O2和T3)并结合线性特征的情况下,对于两种任务数据,可以达到的准确率均高于91.00%,为便携系统的实现奠定了基础。(2)综合以上发现的结果,并结合相关研究可知,大部分非线性特征运算量大、实时监测难以及可重复性差,所以为了更好地实现抑郁的实时监测,本文对中重度抑郁症患者的脑电数据仅提取8个线性特征,且对128导的单电极的脑电数据应用GSW+KNN方法进行分类,准确率能够达到80.85%,结果相对较优;应用脑地形图分析方法对具有显著性差异的特征(基于Hjorth参数的activity和complexity特征)进行分析,结果显示抑郁症患者在alpha、beta和theta三频段下的activity和complexity特征的值均高于正常对照组,且这些差异主要位于大脑顶枕区及左颞叶;进一步计算activity和complexity与PHQ-9量表分数的相关性表明抑郁症患者的顶区(E51、E64、E89和E92)的alpha频段、beta频段和theta频段下的activity特征值以及枕区(E73,E75和E76)的alpha频段下的complexity值均正相关于PHQ-9分数,因此得出结论这两个特征值尤其是activity特征可能被用来作为一个敏感性指标来识别抑郁。最后,综合两部分研究结果,我们可以得出更加有意义的结论,第一,在本文中,GSW+KNN的组合方法可以实现更加准确的抑郁识别,且运行时间短使其更适合应用于实时系统;第二,线性特征尤其是activity特征在抑郁识别中起着相对重要的作用,且该特征在顶叶(E51、E64、E89和E92)alpha、beta和theta三频段下能量值的增高可以作为抑郁症的早期预防以及辅助诊断的重要生物指标。