研究目的:本研究通过分析基于静息态脑电图的卷积神经网络在抑郁症诊断及结果预测中的分类性能,旨在全面评估该模型在抑郁症诊断和结果预测中的实用价值,以便更好的服务抑郁症患者及高危人群。研究方法:1.在这项研究中,我们使用基于静息态脑电图的卷积神经网络来识别与评估抑郁症及其严重程度;2.本研究选取2020年9月至2021年12月南昌大学第一附属医院心身医学科住院的抑郁症患者作为抑郁症患者组,同时期的健康志愿者作为健康对照组;3.采用焦虑自评量表（SAS）、抑郁自评量表（SDS）、症状自评量表（SCL-90）及艾森克人格问卷（EPQ）对抑郁症患者组的临床症状进行评估。根据SDS得分将抑郁症患者组分为非重度抑郁症患者组和重度抑郁症患者组;4.使用日本光电EEG-1200系统采集抑郁症患者组和健康对照组的静息态EEG数据;5.使用Python和Matlab软件对静息态EEG数据进行分析处理;6.基于上述分析,将静息态脑电图的图像特征用于卷积神经网络的训练与拟合,并评估其在识别与评估抑郁症及其严重程度中的性能;7.最后,使用Excel软件和SPSS 26.0软件对所有数据整理和统计分析。研究结果:1.本研究一共纳入82例研究对象,健康对照组和抑郁症患者组各41例;2.在抑郁症患者组中,非重度抑郁症患者组22例,重度抑郁症患者组19例。研究发现,重度抑郁患者组的SDS、SAS、SCL-90各分量表以及神经质得分均显著高于非重度抑郁患者组（P＜0.05）,而精神质、内外向以及效度量表得分不存在组间差异（P＞0.05）;3.健康对照组与抑郁症患者组在静息态脑电图数据纳入率和每例脑电图数据的有效分段数上不存在显著性差异（P＞0.05）。非重度抑郁症患者组和重度抑郁症患者组在静息态脑电图数据纳入率和每例脑电图数据的有效分段数上不存在显著性差异（P＞0.05）;4.基于静息态脑电图的卷积神经网络在抑郁症诊断中的曲线下面积（AUC）值为0.74（95%CI:0.70-0.77）,准确率为66.40%,精确度为83.84%,召回率为43.23%,F1度量为57.04%。此外,基于静息态脑电图的卷积神经网络在抑郁症结果预测中的AUC值为0.70（95%CI:0.65-0.75）,准确率为66.93%,精确度为63.49%,召回率为79.69%,F1度量为70.67%。相关分析显示,重度抑郁症AI得分与SAS得分（r=0.508,P=0.003）和SDS得分（r=0.765,P＜0.001）显著相关。研究结论:1.基于静息态脑电图的卷积神经网络在抑郁症诊断中的AUC和准确率略低于前人的研究,可能与多个原因有关。同时,该结果提示卷积神经网络抑郁症决策模型的临床推广需要谨慎;2.重度抑郁症患者的临床症状更重,需格外重视该人群的早期识别;3.该模型在抑郁症程度预测方面具有较好的性能和稳定性;4.无论是在抑郁症诊断方面还是在抑郁症严重程度预测方面,该模型均可以作为抑郁症患者快速检测的有效辅助工具。该技术的应用可能有助于抑郁症的精准诊断与治疗。