摘要：生物医学工程的发展使得通过脑电图 (EEG) 诊断抑郁症成为一个热门话题。该应用面临的两个重大挑战是 EEG 信号的复杂性和非平稳性。此外，个体差异造成的影响可能会妨碍检测系统的推广。鉴于 EEG 信号与特定人口统计数据（例如性别和年龄）之间的关联，以及这些人口统计学特征对抑郁症发病率的影响，最好在 EEG 建模和抑郁症检测过程中纳入人口统计学因素。这项工作的主要目的是开发一种可以通过研究 EEG 数据来识别抑郁症模式的算法。在对此类信号进行多波段分析后，使用机器学习和深度学习技术自动检测抑郁症患者。EEG 信号数据从多模态开放数据集 MODMA 中收集并用于研究精神疾病。EEG 数据集包含来自传统 128 电极弹性帽和尖端可穿戴 3 电极 EEG 收集器的信息，可用于广泛应用。在这个项目中，考虑了 128 个通道的静息 EEG 读数。根据 CNN，25 个 epoch 迭代的训练准确率为 97%。患者的状态必须分为两个基本类别：重度抑郁症 (MDD) 和健康对照。其他 MDD 包括以下六个类别：强迫症、成瘾症、创伤和压力引起的疾病、情绪障碍、精神分裂症和本文讨论的焦虑症是精神疾病的几个例子。根据这项研究，EEG 信号和人口统计数据的自然结合有望诊断抑郁症。