چکیده: ضبط سیگنال‌های الکتروانسفالوگرام (EEG) ممکن است گاهی تا چندین ساعت به طول انجامد، از این رو ذخیره‌سازی این سیگنال‌ها معمولا حجم بالایی را اشغال می‌کنند و دسترسی پزشکان راه دور را با مشکل مواجه می‌کند. با استفاده از فشرده‌سازی می‌توان حجم فضای اشغالی توسط این سیگنال‌ها را کاهش داد. در این پژوهش، یک روش جدید برای فشرده‌سازی و بازسازی سیگنال‌های EEG مبتنی بر تبدیل موجک و فیلتر وفقی با تاکید بر حفظ کارایی بازشناسی در کاربرد تشخیص افراد سالم و افسرده پیشنهاد شده است. ابتدا سیگنال‌های EEG یک بعدی را با دو فن چیدمان نمونه‌ها به صورت زیگزاگ و مارپیچی به سیگنال‌های دو بعدی تبدیل کرده و سپس با شش روش‌ کدگذار ضرایب موجک که شامل روش‌های EZW، SPIHT، STW، LVL-MMC ، GBL-MMC-F و GBL-MMC-H هستند، به فشرده‌سازی آن‌ها پرداخته‌ایم. پس از فشرده‌سازی سیگنال‌های EEG به منظور ارزیابی کارایی بازشناسی فشرده‌سازی این سیگنال‌ها با استفاده از شبکه عصبی مصنوعی پیش خور بیماری افسردگی را تشخیص داده‌ایم. در این پژوهش از پایگاه داده بیمارستان دانشگاه سینز مالزی استفاده شده است. در بخش فشرده‌سازی با استفاده از معیارهای CR، PRD، BPP و PSNR روش‌ها را ارزیابی کردیم و در بخش تشخیص افسردگی با استفاده از معیارهای صحت، حساسیت، دقت و اختصاص به ارزیابی روش پیشنهادی پرداخته‌ایم. در بخش فشرده‌سازی بهترین نتیجه مربوط به فشرده‌سازی به صورت دو بعدی‌سازی زیگزاگ و روش فشرده‌سازی STW بود که به مقادیر CR برابر با 89.30، PRD برابر با 0.22 و PSNR برابر با 58.80 دست یافتیم و در بخش تشخیص بیماری افسردگی بهترین نتیجه مربوط به دو بعدی‌سازی به صورت زیگزاگ و فشرده‌سازی به روش SPIHT بود که به صحت، حساسیت، دقت و اختصاص 100% رسیدیم که قبل از فشرده‌سازی بالاترین صحت 96.7% بوده است.