神经影像学的蓬勃发展推动了脑科学方向日益繁荣,探究神经疾病的病理机制成为当前脑科学、生物医学工程领域的研究热点之一。抑郁障碍是一种非常普遍的心理疾病,其发病率高,反复性强。因此,研究抑郁障碍的发病机制,探索可靠的生理指标,对早期诊断抑郁障碍具有重要意义。功能性近红外光谱(functional Near-Infrared Spectroscopy,f NIRS)与脑电(Electroencephalogram,EEG)技术均为便携式设备,以高安全性等优点在脑科学领域备受关注。针对当前抑郁障碍的诊断缺乏客观性、准确性的标准,并且不能简单有效地识别抑郁障碍患者,本文以f NIRS与EEG信号为研究对象,以特征层融合和决策层融合为研究手段,旨在提高识别抑郁障碍的准确率,为抑郁障碍的临床诊断提供新的方法和依据。具体研究内容如下:(1)基于特征层融合的抑郁识别研究。本文设计了情NSC125066研究购买绪音频刺激范式,在三种情绪状态下,通过f NIRS与EEG同步采集了被试的前额叶脑电和血氧浓度变化信息。首先,为了探索泛化性、可再现的生理指标,本文对单模态的单一特征进行了比较分析oral oncolytic。结果表明,氧交换量的准确率与F1分数均为最高。其次,为了探究双模态下抑郁识别的可靠性和鲁棒性,本文分别对EEG和f NIRS进行了单模态分类研究,然后对EEG和f NIRS在特征层进行了拼接融合。研究发现双模态的平均准确率较单模态都有提高,恐惧情绪刺激下的F1分数提高了0.12%,表明了双模态融合有效提高了抑郁识别的可靠性和鲁棒性。最后,为了探索抑郁识别中简单有效的特征,本文利用最大相关最大距离算法和Relief算法进行了特征选择。研究发现即使用少量的特征也可以提高准确率,为抑郁识别中的Pevonedistat特征选择算法提供了一定的参考意义。(2)基于决策层融合的抑郁识别研究。在Relief特征选择的基础上,构建决策层融合模型,以模态优势互补策略,多角度、多层次分析抑郁障碍表征信息,以实现更鲁棒、准确的抑郁识别。为了充分发挥多个分类器的优势,本文采用了Stacking集成学习模型。结果表明,在高兴情绪刺激下,Stacking结果相比于一级模型准确率提高了5.84%,F1分数提高了4.17%;另外,为了充分发挥双模态数据集的优势,本文还简化了基于内容的决策层融合方法,并应用在Relief特征选择后的数据上。研究发现,准确率提高了3.34%,F1分数提高了2.07%。综上所述,本研究探索了一种EEG与f NIRS双模态融合的抑郁识别方法。在特征层融合的基础上,选用合适的决策层融合方法,可以进一步提升抑郁识别的可靠性和鲁棒性。此外,本文还探究了简单有效的生理指标和特征选择的方法,对抑郁识别研究具有一定的参考意义。