1.基于微表情分析的抑郁症识别系统，其特征在于，具体步骤包括如下：

步骤(1.1)、对视频信息预处理，通过训练深度多任务识别网络得到人脸状态；

步骤(1.2)、根据得到的输出人脸状态结果，对人脸的局部区域进行划分，剔除与微表情无关的区域；

步骤(1.3)、将划分的局部区域作为原始信息，对其进行提取光流，后将原始信息与提取的光流信息输入到自适应的双流神经网络中，对双流神经网络进行训练，进而对微表情运动的开始帧、峰值帧、结束帧进行定位；

步骤(1.4)、通过输出的定位结果对微表情进行分析，根据在不同背景下对微表情的分析判断该人是否患有抑郁症。

2.根据权利要求1所述的基于微表情分析的抑郁症识别系统，其特征在于，在步骤(1.1)中，所述深度多任务识别网络用于对采集到的人脸图片信息进行预处理；其包括卷积层、池化层和全连接层；

其中，卷积层使用5×5和3×3的卷积核，在卷积计算之后使用ReLU作为激活函数，使用最大值池化来处理非交叠区域的特征，最后经全连接层输出人脸关键点的位置以及其他影响因素的检测结果。

3.根据权利要求1所述的基于微表情分析的抑郁症识别系统，其特征在于，在步骤(1.2)中，对人脸的重要的局部区域进行划分具体是：将面部区域划分为7个局部区域块，其中每块区域都是一个或几个面部动作单元的组合；

其中，所述7个局部区域块包括眼睛、眉毛、鼻子、嘴巴、左右两个面颊及下巴。

4.根据权利要求1所述的基于微表情分析的抑郁症识别系统，其特征在于，在步骤(1.3)中，所述的双流神经网络为时空级联的双流神经网络分别对输入的原图像与光流图像提取时间特征和空间特征采用三个基于注意力机制的BLSTM-CNN模型，其中两个模型对每个流提取重要的帧特征，另外一个模型确定双流特征的权重，最后得到开始帧、峰值帧、结束帧的定位信息。

5.根据权利要求1所述的基于微表情分析的抑郁症识别系统，其特征在于，在所述步骤(1.4)中，通过输出的定位结果对微表情进行分析的具体步骤为：通过得到的结果提取特征并将其输入到支持向量机中；

所述支持向量机的结果包括愉快、悲伤、中性；根据抑郁症患者的面部微表情研究表明：抑郁倾向者将不同背景下的中性、悲伤和恐惧微表情误判为正性偏向多于负性偏向。