抑郁障碍通常被称为忧郁症或抑郁症,其临床表现为情绪低落,兴趣减退和持续明显的悲观厌世。现如今,抑郁障碍对患者的心理生理健康造成严重伤害,已成为世界范围内常见的精神疾病和致残的主要原因之一。医疗上,抑郁障碍的诊断主要依赖于专科医师的临床观察和量表问卷等方式,但由于这些诊断方式往往较易被伪造和隐瞒,导致临床确诊率与患者的配合程度有很大程度的相关性。因此,寻找一种客观有效的抑郁障碍检测方法成为了当前的一个研究热点。通常来说抑郁障碍患者会伴随着大脑认知功能以及行为的变化,脑电信号作为一种客观的生理学指标,通过其蕴含的丰富的时频信息可用来来反映大脑在不同生理或病理下的状态。同时,语音作为一种无扰的行为指标可以用来反映患者的临床精神状态。这两种信号均具有采集快速,方便,不对人体产生侵入等优势。因此,本文考虑从生理学和行为学的两个角度同时进行研究,利用生理学和行为学模态间信息的互补性来使抑郁障碍的检测更加客观、有效和方便。此外,已有研究指出不存在通用的分类器模型,但通过多分类器的互补可以提升模型性能。本文利用多分类器系统来构建多模态数据融合模型,旨在提高早期抑郁障碍的识别精度,辅助医生对早期抑郁障碍的诊断。论文的主要研究工作和成果包括:1)多模态生理和行为数据集构建:本研究首先基于实验室前期设计的实验范式采集带有情感倾向的语音数据和被试静息闭眼状态下的脑电数据,其中依据临床量表和性别,年龄和学历等社会学信息来对对照组进行匹配实验,尽可能的减少额外因素的干扰,采集并构建出后续实验所需抑郁障碍被试生理行为数据集。最终共有170名被试(81名抑郁障碍患者和89名正常对照组)提取出对应模态下有效信号特征。2)提出了一种基于动态分类器选择策略的抑郁障碍识别方法:本文首先对采集的多模态特征在特征层进行融合,通过特征拼接来接构建新的特征向量,构成多模态特征空间。并在该特征空间中构建多分类器系统融合模型,其中利用动态分类器选择策略来对每一个待测样本选择合适的子分类器集合构建抑郁障碍识别模型,经多次实验后结果表明,多模态信息的引入可以提高模型对抑郁障碍的识别,多分类器系统融合模型的平均准确率达到了73.2%,并且由于动态分类器选择策略的引入,在提高模型识别准确率的同时,模型对抑郁障碍识别的稳定性也有所提高。3)提出了一种基于多智能体策略的抑郁障碍识别方法:对不同模态下的特征独立训练出子分类器,将子分类器类比为智能体,利用多智能体策略构建多分类器系统融合模型。智能体在交互过程中利用决策共现张量来调整其分类结果,从而达到利用子分类器低阶相关信息的目的。多次实验后结果表明,本文所提出的利用多智能体融合策略在多模态抑郁障碍识别实验中的准确性、F1分数和灵敏度指标均优于单模态分类器或其他传统典型的多分类器系统融合策略。该策略达到了76%的准确率,同时在灵敏度指标上达到了71%,相比与其他方法均有显著提升。实验结果表明,在具有性别差异的情况下,模型的分类性能会有显著不同,本文提出的利用多智能体融合策略来对多模态抑郁障碍进行识别,子分类器通过多智能体策略下的信息交换,有效缓解了性别这一因素带来的影响,提高了模型的泛化性能。综上所述,通过对患者生理学和行为学信息的采集和利用,有助于从多角度认识和构建抑郁障碍识别模型。此外,本文利用多分类器系统来对多模态数据融合建模,充分利用模态间差异性和子分类器的互补性,有效提高抑郁障碍识别模型的准确率和鲁棒性,为抑郁障碍的检测提供新的思路。