1.一种基于图嵌入和多模态脑网络的抑郁症分类方法，其特征在于：所述方法包括如下步骤：

步骤一：功能磁共振成像和弥散张量成像数据预处理：功能磁共振成像数据预处理步骤包括：去除前10个时间点、时间校正、头动校正、图像配准、空间平滑、滤波和回归非神经元的混杂因素；弥散张量成像数据预处理步骤包括：估计和校正磁化率引起的畸变、去脑壳和涡流校正；

步骤二：构建全脑功能网络：基于AAL模板将全脑分割成116个脑区，每个脑区为脑网络的一个节点，对于功能磁共振预处理后的数据，计算每个脑区内的时间序列均值，然后计算任意两两脑区间的时间序列皮尔森相关系数，再进行Fisher‑z变换得到功能连接矩阵，即

116×116的功能邻接矩阵；

步骤三：构建全脑结构网络：将AAL模板配准到个体DTI空间，使用加权最小二乘法对预处理后的DTI图像拟合扩散张量模型，估算出大脑每个体素的各向异性分数FA，使用确定跟踪算法获得全脑白质纤维束；然后利用AAL模板的116个脑区来分割和修剪全脑白质纤维从而得到任意两个脑区之间的白质纤维束，使用白质纤维束数目进行加权，得到全脑结构连接矩阵，即116×116的结构邻接矩阵；

步骤四：使用功能‑结构层次映射算法融合全脑功能网络和结构网络：用二值化的使用矩阵U表示任意两点之间的结构连接是否被使用来预测功能连接，分别在抑郁症患者组和正常对照组中拟合组水平的U矩阵，最小化所有节点对之间功能连接观察值和预测值之间的平方和差异：

其中，n表示第n个被试，i，j表示第i和j个脑区，FC表示功能连接，U表示使用矩阵，D表示结构矩阵，fi,j表示第i个节点和第j个节点之间的迪杰斯特拉距离，使用模拟退火算法来交替估计k值和U矩阵，估计出U矩阵后，计算U°D，得到功能和结构融合的脑网络；

步骤五：使用Node2Vec图嵌入算法提取功能和结构融合脑网络的特征：首先采用随机游走的方式获取节点序列，从某个特定的端点开始，游走的每一步都从与当前节点相连的边中随机选择一条，沿着选定的边移动到下一个顶点，不断重复这个过程，Node2vec采用的是一种有偏的随机游走，节点v到节点x的转移概率为：πvx＝αpq(t,x)·wvx

其中，t为v节点的上一游走节点，w为两节点的边的权重，α为偏重系数，然后使用连续词袋模型由上下文预测中心词，在Node2vec中，上下文对应于以某一节点为中心，在窗口c内随机游走得到的长度为2c的节点序列，用这一节点序列来预测中心节点，最后得到脑网络中每个节点的向量表征；

步骤六：验证脑网络节点向量表征的生物学意义和抑郁症分类，通过功能同伦性和同位半球间连接数量来验证脑网络节点向量表征的神经生物学意义，然后对每个节点的向量表征进行加权求和，得到每个脑网络的向量表征，随后基于每个被试的脑网络表征，使用支持向量机模型进行抑郁症患者和正常对照的分类。