随着经济快速发展以及物质生活水平的提高,人们的生活节奏和社会竞争日益加剧,生理、心理以及社会压力也越来越大,心理疾病的发病率不断升高,而这其中抑郁症发病率的增长尤为明显。抑郁症作为一种非常复杂且随时间发展动态变化的精神障碍疾病,其有效识别往往依赖于医生的临床经验和患者心理状态的自评量表。但是,由于医生的主观性以及医疗资源的紧缺,急需一种客观有效的抑郁症识别方式。脑电(electroencephalograph,EEG)体现了大脑神经细胞的运动状态,具有难以伪装、易采集等特点。近年来,基于脑电信号的抑郁症识别研究已成为生物医学工程发展中的热门话题。然而,脑电信号的复杂性和非平稳性是其应用于该研究的两个障碍。另外,由于个体差异所导致的脑电信号差异性所带来的影响,识别算法的通用性可能会降低。因此,如何在脑电信号中探索更有效的相关性信息以及提取更能反映抑郁状态的高层次表示,是构建具有更强泛化性能的抑郁症识别模型的重要前提。考虑到脑电信号与人口统计学信息(如性别、年龄等)之间的相关性,以及这些人口统计学因素与抑郁症发病率的关联性,将人口统计学信息融入到脑电信号建模和抑郁症识别过程中是非常有必要的。鉴于此,本文主要围绕融合人口统计学信息的脑电信号建模方法开展深入研究,并将这一建模方法应用于抑郁症的客观量化识别中,取得了良好的识别效果。论文主要研究工作和成果包括:1)提出一种结合人口统计学辅助任务的脑电信号建模方法。通过卷积神经网络探索脑电信号中丰富的特征或结构,以多任务的形式将性别和年龄信息融入到神经网络中,拓展神经网络的学习目标,利用神经网络模型在表示学习方面的优越性能,学习任务间的共享表示,探索脑电信号中抑郁与性别、年龄的相关关系,提升抑郁症识别模型的性能。2)提出一种结合人口统计学注意力机制的脑电信号建模方法。首先同样使用卷积神经网络提取脑电特征,接着引入神经网络的注意力机制,并为注意力机制添加额外的性别和年龄信息的约束,将性别和年龄信息融入脑电信号建模过程中。人口统计学注意力机制可以挖掘脑电与性别、年龄之间的复杂相关性,进而调整脑电特征对抑郁症识别任务的贡献,提升抑郁症识别模型的性能。3)通过对170位(81位抑郁症患者和89位正常对照)被试的脑电数据构造相关实验,结果表明,融合人口统计学信息的多任务学习与注意力机制模型都优于未融合人口统计学信息的抑郁症识别模型,其中人口统计学注意力机制方法的性能最优,准确率可达到75.3%。实验结果证明性别和年龄因素对脑电信号的抑郁症识别建模是有效的。但多任务之间的关系并不确定,任务之间也可能会产生负迁移,共同学习的表示不清晰,使得多任务方法的性能不如人口统计学注意力机制。综上所述,本文所提出的融合人口统计学信息的脑电建模方法可以深入发掘脑电与抑郁症和个体间的关系,并生成用于抑郁症识别的有效表示。这意味着有必要对脑电与人口统计学信息进行联合建模,进一步提升分类模型的鲁棒性和泛化性,这为基于脑电信号的抑郁症识别建模提供了一种新的思路。