1.一种基于IEEMD脑电信号分解的抑郁症自动识别方法，其特征在于：包括以下算法处理步骤：步骤一：输入原始EEG信号x(t)和相应随机白噪声wj (t)；

步骤二：随机白噪声幅度的确定综合考虑原始信号和相应的随机白噪声，根据信噪比SNR理论，建立原始EEG信号与附加随机白噪声之间的数学模型：     (1)

步骤三：假设初始ampj (t)是常数1，或者某个常数乘以原始信号的标准差，得到SNRj (i)的平均信噪比；

     (2)

其中i ∈ [1,2,…,N]，j ∈[1,2,…,J]；

步骤四：通过下述公式计算每个采样点的幅值，即自适应地确定各个采样点的随机白噪声幅度，并应用于对EEMD的改进：    (3)；

步骤五：改进后的EEMD即IEEMD算法在原始EEG信号序列中自适应地加入上述幅值的随机白噪声：   (4)；

步骤六：将 分解为有限个IMF组合，输出 ；

      (5)；

步骤七：IEEMD分解EEG信号，以获得若干个更准确的IMF模拟独立神经元信号；

步骤八：减少容积导体效应，基于PLI计算节点之间的连接权重，计算过程如下：       (6)；

L是时间序列长度，(•)是符号函数， 为信号x(t)的瞬时相位， 是x(t)希尔伯特变换，根据获得的IMF数量，计算每个IMF的EEG时间窗口的所有邻接矩阵，进而绘制相应的BFN，对每个IMF的抑郁症组和健康对照组的邻接矩阵进行平均，分别得到两组邻接矩阵；

步骤九：加权BFN中存在大量弱连接，采用加权BFN二值化避免其对核心连接拓扑的干扰；

步骤十：对组间特征路径长度CPL，全局效率Eglob、聚集系数CC、局部效率Eloc，均网络节点度，小世界指数σ复杂网络度量进行单因素方差分析，探索抑郁症识别潜在标识物；

步骤十一：采用SVM分类器评估潜在标识物对抑郁症自动识别的有效性。

2.根据权利要求1所述的一种基于IEEMD脑电信号分解的抑郁症自动识别方法，其特征在于：步骤七中具体过程如下：S1：根据通道和EEG时间窗的顺序，计算抑郁症组和健康对照组数据的信噪比和相应随机白噪声的自适应幅度；

S2：将具有自适应幅度的随机白噪声添加至相应EEG时间窗信号；

S3：通过IEEMD将处理后的EEG时间窗信号分解为若干个IMF；

S4：不同EEG时间窗的差异导致IEEMD生成的IMF数量略有差异；

确保后续BFN构建的可行性；

选择IEEMD生成IMF的最小数量作为阈值，对所有EEG时间窗进行分解后截取相同数量的IMF；

S5：依次输出抑郁症组和健康对照组的IMF分解结果。

3.根据权利要求1所述的一种基于IEEMD脑电信号分解的抑郁症自动识别方法，其特征在于：步骤九中采用比例阈值方法，用于BFN二值化，其阈值计算过程如下：步骤一：建立平均网络节点度与网络节点数和网络边数之间的数学关系模型：      (7)

N是网络中节点的数量，M是网络中边的数量，是平均网络节点度；

步骤二：网络密度定义为实际边数与最大边数的比值，       (8)；

步骤三：平均网络节点度与网络密度之间可以建立如下关系：        (9)；

步骤四：已有研究表明，平均网络节点度大于网络节点数的自然对数，同时网络密度小于50%，结构BFN更有效，           (10)；

步骤五：基于式(9)和(10)，以及具体BFN网络节点数量，即可以计算得到二值化比例阈值，为尽可能减少计算量，选择网络密度的下限作为比例阈值。