Dans cet article, nous présentons une analyse empirique de l'extraction de multi-émotions basiques et spécifiques à la dépression dans les Tweets à l'aide de classificateurs multilabels de pointe. Nous choisissons nos émotions de base à partir d'un modèle d'émotion hybride composé des émotions communes de quatre modèles psychologiques d'émotions très réputés. En outre, nous ajoutons à ce modèle de nouvelles catégories d'émotions en raison de leur importance dans l'analyse de la dépression. La plupart de ces émotions supplémentaires n'ont pas été utilisées dans les recherches antérieures sur l'exploration des émotions. Nos analyses expérimentales montrent qu'un algorithme RankSVM sensible au coût et un modèle d'apprentissage profond sont tous deux robustes, mesurés par les mesures F macro et F micro. Cela suggère que ces algorithmes sont supérieurs pour traiter le problème largement connu du déséquilibre des données dans l'apprentissage multi-label. En outre, notre application de l'apprentissage profond est la plus performante, ce qui lui confère un avantage dans la modélisation des caractéristiques sémantiques profondes de nos catégories émotionnelles étendues.