1.一种基于图互信息最大化的抑郁症患者脑电识别系统，其特征在于：包括：

数据获取模块，被配置为：获取待识别的脑电信号并进行预处理，所述预处理，包括：将每条信号截取为规定长度的信号，每条数据为通道和时间对应的二维数据；

特征提取模块，被配置为：根据待识别的脑电信号以及预设特征提取模型，得到提取后的特征向量；

抑郁症识别模块，被配置为：根据获取的特征向量和预设分类模型，得到抑郁症识别结果；

其中，预设特征提取模型的训练，包括：根据基于脑电信号得到的邻接矩阵和特征矩阵进行图卷积神经网络的预训练，基于图互信息最大化，通过局部‑全局互信息最大化的对比学习训练图卷积神经网络的输出层；

邻接矩阵的获取，包括：

将多名受试者的多通道脑电数据按顺序拼接为一个序列，计算每个序列之间的皮尔逊相关系数，得到皮尔逊相关系数矩阵；用绝对皮尔逊相关系数矩阵减去单位矩阵，得到邻接矩阵；

将脑电信号的每条数据分为多个频段，取每个频段的平均功率作为该通道的特征；按顺序将每个通道的特征拼接为一个特征作为一个受试者的特征向量；所有受试者的特征向量构成特征矩阵；

通过局部‑全局互信息最大化的对比学习训练图卷积神经网络的输出层，包括：构建编码器；

根据构建的编码器，得到每个节点的patch表示向量；

使用平均池化操作，将patch表示向量汇总为图级表示向量；

通过鉴别器最大化patch表示向量和图级表示向量之间的互信息。

2.如权利要求1所述的基于图互信息最大化的抑郁症患者脑电识别系统，其特征在于：将脑电信号分为delta、theta、alpha、lower beta、higher beta和gamma六个频段。

3.如权利要求1所述的基于图互信息最大化的抑郁症患者脑电识别系统，其特征在于：图级表示向量包含的patch信息越多，鉴别器的得分越高。

4.如权利要求1所述的基于图互信息最大化的抑郁症患者脑电识别系统，其特征在于：对比学习训练目标函数为噪声对比模型，在正样本和负样本之间计算二进制交叉熵损失。

5.一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如下步骤：获取待识别的脑电信号并进行预处理，所述预处理，包括：将每条信号截取为规定长度的信号，每条数据为通道和时间对应的二维数据；

根据待识别的脑电信号以及预设特征提取模型，得到提取后的特征向量；

根据获取的特征向量和预设分类模型，得到抑郁症识别结果；

其中，预设特征提取模型的训练，包括：根据基于脑电信号得到的邻接矩阵和特征矩阵进行图卷积神经网络的预训练，基于图互信息最大化，通过局部‑全局互信息最大化的对比学习训练图卷积神经网络的输出层；

邻接矩阵的获取，包括：

将多名受试者的多通道脑电数据按顺序拼接为一个序列，计算每个序列之间的皮尔逊相关系数，得到皮尔逊相关系数矩阵；

用绝对皮尔逊相关系数矩阵减去单位矩阵，得到邻接矩阵；

将脑电信号分为多个频段，取每个频段的平均功率作为该通道的特征；

按顺序将每个通道的特征拼接为一个特征作为一个受试者的特征向量；

所有受试者的特征向量构成特征矩阵；

通过局部‑全局互信息最大化的对比学习训练图卷积神经网络的输出层，包括：构建编码器；

根据构建的编码器，得到每个节点的patch表示向量；

使用平均池化操作，将patch表示向量汇总为图级表示向量；

通过鉴别器最大化patch表示向量和图级表示向量之间的互信息。

6.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如下步骤：获取待识别的脑电信号并进行预处理，所述预处理，包括：将每条信号截取为规定长度的信号，每条数据为通道和时间对应的二维数据；

根据待识别的脑电信号以及预设特征提取模型，得到提取后的特征向量；

根据获取的特征向量和预设分类模型，得到抑郁症识别结果；

其中，预设特征提取模型的训练，包括：根据基于脑电信号得到的邻接矩阵和特征矩阵进行图卷积神经网络的预训练，基于图互信息最大化，通过局部‑全局互信息最大化的对比学习训练图卷积神经网络的输出层；

邻接矩阵的获取，包括：

将多名受试者的多通道脑电数据按顺序拼接为一个序列，计算每个序列之间的皮尔逊相关系数，得到皮尔逊相关系数矩阵；

用绝对皮尔逊相关系数矩阵减去单位矩阵，得到邻接矩阵；

将脑电信号分为多个频段，取每个频段的平均功率作为该通道的特征；

按顺序将每个通道的特征拼接为一个特征作为一个受试者的特征向量；

所有受试者的特征向量构成特征矩阵；

通过局部‑全局互信息最大化的对比学习训练图卷积神经网络的输出层，包括：构建编码器；

根据构建的编码器，得到每个节点的patch表示向量；

使用平均池化操作，将patch表示向量汇总为图级表示向量；

通过鉴别器最大化patch表示向量和图级表示向量之间的互信息。