抑郁症是一种持续性情绪低落的精神障碍疾病,并且已经在全球范围内成为了最突出的精神疾病之一。因此,尽快找出能够快速且准确诊断抑郁症的方法迫在眉睫。近年来,随着科学技术的迅速发展,机器学习和深度学习等人工智能方法成为了数据分析领域热门的研究方向。越来越多的研究人员开始将人工智能方法与医疗数据相结合,探索挖掘医疗数据的新型模式,使医疗诊断技术飞速进步。本文使用了来自四川省某医院的148名抑郁症病人的脑电图信号样本数据,研究了基于信号处理方法的抑郁症病人脑电图信号的去噪处理,并建立了对单、双相抑郁症病人的二分类深度学习融合模型。本文的主要工作如下:首先通过模拟脑电图原始信号数据,并利用几种不同的信号处理方法对此进行去噪,对比了不同方法的效果,并选取效果最好的方法和参数对真实脑电图信号进行去噪处理。其次为了更好地训练模型,采用了时间窗口方法,对脑电图数据进行切片,增加样本个数进行数据增强。然后使用一维卷积神经网络、基于二维卷积的残差神经网络、长短期记忆网络、双向长短期记忆网络与门控单元网络,以及卷积神经网络与循环神经网络相结合的CNN-LSTM网络等六种时间序列深度学习网络建立了模型,分别对原始和消除噪声后的脑电图信号进行分类,在六种模型上均获得了 90%以上的高准确率。最后AY-22989抑制剂通Cardiovascular biology过D-S证据理论和多数投票的方法对六种模型进行决策融合,在两类患者的分类上获得的总体最高准确率为98.56%,单相患者的准确率为97.78%,双相患者的准确率为99.37%,表明了本文所建立的模型对单双相抑郁症患者脑电图数据上的出色分类效果,为医生在抑郁症临床诊断上提供了Lorlatinib NMR参考。