1.基于稀疏低秩张量分解的抑郁症脑电分析方法，其特征在于，该方法包括如下步骤：步骤(1)采集抑郁症患者在不同情绪刺激下的多通道头皮脑电信号EEG；

步骤(2)对EEG信号进行预处理、重参考和分段平均；对于每个个体，将同一刺激下的N个样本进行叠加平均，以提取ERP成分；

步骤(3)生成ERP张量：

1)将叠加后的样本按照通道依次通过复Morlet小波变换映射到时频域：其中σ代表带宽参数，对于二阶即channels×sample points的单个ERP信号样本通过计算小波函数，其中c代表导联，t代表采样时间点，得到一个单个样本ERP三阶张量，即channels×sample points×frequency，以 表示，f代表频率；对于每个通道都得到一个201×40的二维矩阵，即time×frequency；

2)将变换后的数据按通道的顺序在张量的第一维度排列，得到一个维度为channels×time×frequency的三维张量，其包含了每个ERP样本的空间、时间、频率信息；

3)将得到的三维张量在第四个维度排列，生成一个维度为channels×time×frequency×samples的四维张量，此四维张量即为样本张量；

步骤(4)提出稀疏正则的低秩逼近Tucker分解，并对脑电张量进行特征提取：采用低秩逼近Tucker分解对样本张量的前三维度同时进行张量分解；在传统Tucker分解基础上：

n

其中 代表原张量， 代表核心张量，A ，n＝1，2，3代表因子矩阵；

利用ERP样本张量所表现出的低秩、稀疏特性，以低秩逼近的方法对传统Tucker分解进行重写：

其中 Ik表示n≠k的其他

维度， 表示张量分解的核心张量， 表示矩阵的转置，Y(n)表示n模展开后的原始张量，将张量n模展开，则其低秩逼近矩阵分解的目标函数为其中 和 为Y的低秩逼近表示，得到矩阵Y的低秩逼近表示后,通过固定 和 将带入式(3)得到Low rank approach Tucker分解的目标函数；

为提高Low rank approach Tucker分解在ERP张量的泛化能力，并提高提取特征的明显程度，为Low rank approach Tucker分解添加稀疏正则项λS(A)，提出低秩逼近Tucker分解算法

其中λ表示正则项稀疏，S(·)为稀疏表示,使用下式作为稀疏表示函数其中Ai表示A的行向量

最终得到SLraTucker分解的因子矩阵更新公式如下：按照如上的更新公式提取ERP张量的前三维因子矩阵进行更新，最终得到ERP张量的Tucker表示，其中核心矩阵为每个样本所特有的多域特征，因子矩阵则为所有样本所共有的高维空间基矩阵，也是所有样本的共有特征。

2.根据权利要求1所述的基于稀疏低秩张量分解的抑郁症脑电分析方法，其特征在于：对EEG信号进行预处理，具体为：使用eeglab去除基线偏移、眼电伪迹，采用50Hz陷波滤波器与0.3‑30Hz带通滤波器滤波。

3.根据权利要求1所述的基于稀疏低秩张量分解的抑郁症脑电分析方法，其特征在于：所述的分段平均,具体为：以刺激的出现作为刺激开始的标志，截取刺激后的800ms作为一个试次，采样频率250Hz。