抑郁症是一种常见的精神障碍,在全球范围内,近3.5亿不同年龄段的人都患有抑郁症。抑郁症是世界范围内致残的主要原因,也是造成全球疾病负担的主要因素。尽管如此,因为抑郁症发病机理的复杂性,相关的发病机制仍然处于探索阶段。此外,由于抑郁症的诊断当前主要是基于传统的精神科访谈,其本身的主观性使得早期诊断依然具有挑战性。有效的心理功能需要保护认知免受情绪冲突的干扰,尤其是与任务无关的情绪性刺激。然而,先前的研究已经证实了抑郁症患者在处理情绪冲突时存在认知功能障碍。事实上,关于抑郁症的研究主要集中在情绪信息处理中的负性注意偏向以及执行功能中存在的冲突控制障碍,但情绪冲突障碍作为这两者相互作用的结果,更为复杂,因此,大脑检测和解决情绪冲突的神经机制在很大程度上仍然是未知的。如今,随着生物信息技术的不断进步,眼动、脑电等生理信号已经越来越多的被应用于抑郁症等神经系统疾病的监测以及病理探索之中。为了进一步探索抑郁症患者同正常人处理情绪冲突机制的差异,本文基于脸-词Stroop范式采集了重度抑郁症患者及健康对照的行为、生理信号,并从情绪冲突任务中注意部署模式以及大脑功能整合两个方面对比分析重度抑郁症患者同健康对照之间的差异。最后本文利用采集的生理信号数据分别从眼动单模态、EEG脑网络全局属性单模态以及二者在特征层上融合双模态的角度进行了抑郁分类。本文的主要工作具体如下:(1)本文基于脸-词Stroop任务采集了49名重度抑郁症患者以及50名健康对照的行为数据及眼动信号。在行为数据上,重度抑郁症患者的反应准确率显著低于健康对照。在眼动信号方面,本文通过初始注视的潜伏期来评估定向响应,通过首次注视持续时间检查初始注意维持组件,通过总注视持续时间来测量后期注意维持组件。结果在定向响应阶段没有发现两者之间的差异,但在注意维持阶段初、后期分别发现了重度抑郁症患者不同程度的负性注意偏向以及对于正性情绪保护性偏向的缺失。(2)同样基于脸-词Stroop任务,本文采集了34名重度抑郁症患者以及38名健康对照的脑电信号,分别通过计算相干性和相位锁定值构建大脑功能网络的邻接矩阵,并利用选取阈值的方法将连接矩阵二值化后,选取表现更好的脑网络构建方法(相位锁定值)进一步计算了基于图论分析方法的复杂网络的相关度量。分析发现在beta波段,高兴一致条件下,健康对照的大脑功能网络表现出比重度抑郁症患者更强的规则性,悲伤不一致条件下,健康对照组的脑网络拓扑结构更加健壮,具有更强的适应性来保证有效的信息交互。并且二者的大脑功能网络都具有小世界属性,但健康对照的大脑功能网络小世界属性更强。对于局部网络属性,我们选取中介中心性和度中心性作为度量指标。结果表明,在被试面对不一致刺激即冲突条件下,左中区均存在差异。而在高兴情绪下,存在差异的脑区均位于大脑左半球,悲伤刺激则不同,差异主要集中在大脑右半球。(3)最后,本文基于以上两部分采集的眼动、脑电数据,在脸-词Stroop任务的不同刺激条件下使用机器学习方法进行了抑郁症分类。结果表明单模眼动信号分类准确率达70.83%。在特征层分别基于CFS+Best First特征选择策略和统计差异显著特征选择策略,通过线性融合大脑功能网络图论全局属性之后,分类准确率在不同刺激条件下均有所提升,最高可达72.22%。而利用大脑功能网络局部度量进行的单电极分类结果表明,E19、E20、E27、E28等电极分类准确率均达70%以上,对于区分重度抑郁症患者和健康对照存在明显优势。上述研究表明,重度抑郁症患者和健康对照在情绪冲突任务下的注意部署模式在维持阶段初、后期存在显著差异,且二者的大脑功能网络在beta波段高兴一致刺激条件下存在显著性差异,重度抑郁症患者在该刺激条件下的大脑功能网络规则性更强。此外,两类人群的功能脑网络均具有小世界属性,但健康对照组的小世界属性更强。最后本研究提供的抑郁分类结果,能够为抑郁早期诊断提供有效依据。