随着社会的发展,心理疾病尤其是抑郁症越来越多地涌现出来,严重影响着人们的身心健康,对个人和社会造成极为不良的影响。因此,抑郁症的早期发现,即在轻度抑郁阶段的早期识别,对于抑郁症的预防和治疗显得尤为重要。目前,眼动研究和脑电信号研究日益发展,并越来越多地应用于心理学研究和医学疾病研究领域中。眼动是人的可反映内心活动的外在表现,而脑电信号是客观的生理信号,能够相对真实地反映人的认知活动。抑郁人群分布的年龄段较为广泛,且针对不同年龄段、不同教育背景等的人群,相应研究方法会有所不同,故本文仅选择大学生群体中的轻度抑郁者进行研究。本文将眼动跟踪技术与脑电信号采集技术结合起来,设计了三个实验范式来研究轻度抑郁大学生和正常大学生之间的差异。通过同步采集眼动数据和脑电数据,结合数据挖掘分类算法,进行轻度抑郁人群的识别研究。同时,通过对分类结果的整理分析,寻找具有相对高的分类准确率和分类效果较为稳定的分类算法。对兰州大学大一、大二所有学生经过贝克抑郁量表(BDI)筛选之后,28位大学生作为被试参加实验,其中包含一定比例的轻度抑郁被试。采集数据后,舍弃无效数据,最后使用22位被试的实验数据进行数据分析。首先,对文字、图片、平滑跟踪范式的眼动数据单独进行分类研究。研究结果表明,相对于情感色彩平和的文字阅读任务和平静人脸图片观看任务,带有情绪偏向的文字阅读以及带有平静、情绪对比图片的观看任务所采集到的眼动数据具有普遍较高的分类准确率,且基于对比图片观看任务的眼动数据分类情况优于基于情绪文字阅读任务的眼动数据。基于平滑跟踪任务的眼动数据分类准确率相对前两个任务较低。另外,简单的识别任务不能识别轻度抑郁人群和正常人群。其次,对图片观看范式的脑电数据单独进行分类研究。先对采集到的原始脑电信号进行去噪处理、分段、特征提取。选择人在清醒状态下出现的Alpha波段和Beta波段的脑电数据,分别对这两个波段提取脑电近似熵(ApEn)、最大李雅普诺夫指数(LLE)这两个脑电特征。然后对脑电单特征、特征组合数据集分别进行分类处理。分类结果表明,DTNB算法对于对比图片组分类准确率都较稳定。最后,将图片观看范式的眼动特征和脑电特征组合成新的数据集,对这类数据集进行分类分析。分类结果表明,基于对比图片观看任务的近似熵和最大李雅普诺夫指数组合与眼动特征相结合的数据集上得到的分类效果非常稳定,且DTNB算法获得的分类准确率皆为71.11%,这说明基于情绪图片对比任务的眼动特征与脑电特征组合相结合数据集能够比较有效地识别轻度抑郁人群。总之,基于情绪对比图片观看任务的眼动特征与脑电特征结合的数据集对轻度抑郁人群识别具有较好的分类效果。并且本文研究结果表明,对基于本实验任务的眼动特征与脑电近似熵、最大李雅普诺夫特征结合的数据集而言,分类准确率较高且分类效果趋于稳定的分类算法是DTNB算法。