2018年3月,世界卫生组织公布的数据显示,全球已有超过3亿人正在遭受抑郁症的困扰,抑郁症作为一种常见且容易被人忽视的精神疾病,给患者及其家属在精神上带来了极大的痛苦。目前,抑郁症的诊断主要依靠精神疾病预测量表,但是精神疾病预测量表缺乏客观的生物学指标。而基于功能性近红外光谱的脑功能成像图作为一种新兴的用于辅助诊断抑郁症的工具,其成像设备价格昂贵且不易携带,抑郁症患者无法及时监测个人的精神状态变化。随着信息技术与计算机科学的不断发展,仅靠传统疾病症状学的抑郁症诊断方法已经不能满足对抑郁症更加系统且深入研究的需求,新兴的计算精神病学引入了计算和统计的方法来探索抑郁症的内部病理机制,使用高维的复杂数据进一步揭示人类身体进行信息加工的过程并辅助各种精神疾病的鉴别,这对于精神疾病的发病机制研究、预防、诊断和治疗都有着巨大的推动作用。脉搏作为人体重要的体征参数,包含了人体大量的生理和精神信息,其采集设备成本较低且便于携带,采集方法相对简单。“脉诊”在多种疾病的理论研究和临床诊断上都有独到的优势,在我国传统中医医学中已得到了广泛的应用。因此,将指脉信号应用于抑郁症患者情绪状态的监测,用以辅助抑郁症的诊断与治疗,具有广阔的发展前景和应用空间。本论文旨在对抑郁症患者个体的指脉信号进行处理或从中提取特征,根据经过处理的指脉信号或提取到的指脉特征使用机器学习技术进行精神状态的识别与分析。本文主要的研究成果如下:1、指脉信号数据集的构建:确定了指脉信号的采样收集规则和标定规则,对指脉信号进行了降噪处理并通过检测指脉信号峰值的方法将指脉信号切分成为单独的脉搏周期,确定了指脉信号数据集的构建规则。2、将深度学习技术应用于根据指脉信号进行精神状态识别的任务:将二维的ResN et改造为一维的ResNet使其能够根据指脉信号识别精神状态;通过调整一维的ResNet模型的规模、使用大尺寸卷积核的策略,进一步提高模型的识别性能。3、基于指脉特征和全连接神经网络进行精神状态识别:设计了指脉特征提取规则和提取方法,并构建了指脉特征数据集;结合神经网络和传统机器学习算法各自的优点,使用神经网络根据依靠人工设计的规则提取的特征进行精神状态识别;搭建了由全连接层构成的神经网络用于根据指脉特征进行精神状态识别,通过分析与实验验证对由全连接层构成的神经网络进行了有效的改进,针对各个特征对识别效果的影响进行了统计分析。