进入新世纪以来,随着经济社会快速发展,生活压力不断增大,抑郁症等精神疾病越来越多地困扰着人们,而且抑郁症的诊断准确率比较低,市级以上综合医院对抑郁症的识别准确率低于20%。功能近红外光谱成像技术诞生后,抑郁症等精神疾病的诊断迎来了新的契机。医生可以根据功能近红外光谱成像数据利用临床经验来进行抑郁症的诊断,确诊率得到了提高。然而,如果能对抑郁症患者和正常被试者的近红外光谱信号进行分析和处理,实现抑郁症患者的自动识别,对进一步提高抑郁症的确诊率和摆脱对临床经验的依赖具有重要意义。本论文首次从时域和频域两个空间分别提取了脑功能近红外光谱成像信号的特征,并使用支持向量机进行了分类器的训练和测试。本论文主要工作如下:(1)为了消除基线漂移和高频噪声对原始数据的影响,首先使用傅里叶变换对信号进行频谱分析,得到信号所在频段,然后根据该频段设计带通滤波器对处于该频段之外的信号成分进行过滤,达到数据预处理的目的,提高了数据的信噪比。(2)抑郁症患者和正常被试者脑功能近红外光谱成像信号特征提取。本论文分别从频域和时域两个空间提取了两类信号的特征。在频域空间,使用基于小波包分解的小波包能量特征提取方法,提取信号在不同频率上的小波包能量特征,这种频域特征能从本质上揭示信号的特性;在时域空间,使用一般线性模型对功能近红外光谱成像数据进行拟合,提取能反映信号时域特征的β系数作为特征。(3)基于支持向量机的分类器训练。本论文使用支持向量机算法包进行分类器的训练,首先对提取的特征向量格式化为支持向量机所支持的格式,然后经过归一化、核函数选择、交叉验证选取最优参数等步骤得到训练器。最后,对训练的分类器使用测试集进行测试,测试集首先要格式化为支持向量机支持的格式,然后输入到分类器中,输出即为该分类器的准确率。本论文中,经过测试,该分类器对抑郁症的诊断准确率率在85%以上,得到了预期的研究目标。这也为抑郁症的诊断提供了客观数据的支持,大大提高了医生对抑郁症的诊断正确率,实现了抑郁症患者的自动判别。