抑郁症是当前世界上患病人数较多的心理疾病之一，近年来发病率呈增长趋势。抑郁症容易使患者情绪持续低落，出现失眠、食欲不振等症状，严重者会逐渐脱离社会，导向自残乃至自杀。不同程度抑郁症对应着不同的治疗方式，因此抑郁症的早期诊断与状态检测具有重要的现实意义。当前抑郁症诊断面临着如下问题:临床上诊断依赖于量表和精神科医生的判断，缺乏客观指标;不同抑郁状态之间生理发展机制尚不明确;在全球范围内医疗资源短缺。因此探究生理指标在抑郁状态识别中的表现，依此研究不同抑郁状态的生理心理学机理，将指标用于计算机辅助诊断，进而实现不同抑郁状态的判断，能够在抑郁症早期诊断、治疗方案的选取、减轻医疗压力等方面发挥作用。
　　心理状态的生理变化可以间接表现在自主神经系统活动的改变，心率变异性与自主神经系统息息相关，使用心率变异性研究抑郁状态具备可行性。同时心电信号具有无创、易采集、仪器普及率高等优点。本文从心电信号提取RR间期序列，基于心率变异性的时域、频域和非线性特征展开分析，较为深入的探讨了不同抑郁状态的生理变化机理，基于特征矩阵构建分类模型进行抑郁状态分类。论文的主要研究内容如下:
　　(1)数据的采集与预处理。采集了不同抑郁状态及健康对照组静息状态下的心电信号。通过小波包变换对原始信号进行滤波等预处理，并使用自适应阈值法识别了心电信号的R点，构造了RR间期时间序列。
　　(2)特征提取与差异性分析。从时域、频域和非线性三个维度中分别提取了心率变异性特征。通过心率变异性特征的提取，量化不同的抑郁状态。根据特征不同的表现及其生理意义，推断不同抑郁状态下人体的生理心理反应模式。运用统计学方法，分析心血管参数和心率变异性特征在不同抑郁状态和健康对照组之间的差异性。
　　(3)抑郁状态识别。将提取的特征作为输入矩阵，使用随机森林、支持向量机、精细高斯支持向量机和袋装决策树分类器，实现不同抑郁状态的识别。