| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 本文研究内容及贡献 | 第12-13页 |
| 1.4 本文的组织结构 | 第13-14页 |
| 第2章 脑电与音乐的基础理论 | 第14-24页 |
| 2.1 脑电信号与音乐的基础 | 第14-18页 |
| 2.1.1 脑电的研究发展及产生原理 | 第14-15页 |
| 2.1.2 脑电信号的特性及其分类 | 第15-17页 |
| 2.1.3 脑电与音乐的关系 | 第17-18页 |
| 2.2 音乐刺激材料生成模型 | 第18-19页 |
| 2.3 脑电信号的采集 | 第19-23页 |
| 2.3.1 脑电信号的采集设备 | 第21-22页 |
| 2.3.2 脑电信号的采集过程 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第3章 基于重心频率的脑电信号分析 | 第24-37页 |
| 3.1 脑电信号的处理流程 | 第24-25页 |
| 3.2 脑电功率谱重心频率的计算 | 第25-26页 |
| 3.2.1 脑电功率占比计算 | 第25页 |
| 3.2.2 脑电功率谱的重心频率 | 第25-26页 |
| 3.3 脑电功率谱重心频率的分析及讨论 | 第26-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第4章 基于机器学习的脑状态分类 | 第37-48页 |
| 4.1 大脑状态分类的识别算法原理 | 第37-41页 |
| 4.1.1 支持向量机（Support Vector Machine） | 第37-38页 |
| 4.1.2 决策树（Decision Tree） | 第38页 |
| 4.1.3 Boosting方法 | 第38-39页 |
| 4.1.4 GBDT（Gradient Boosting Decision Tree） | 第39-40页 |
| 4.1.5 随机森林（Random Forest） | 第40-41页 |
| 4.2 脑电信号的预处理 | 第41页 |
| 4.2.1 离群点处理 | 第41页 |
| 4.2.2 归一化处理 | 第41页 |
| 4.3 脑电信号的特征提取 | 第41-43页 |
| 4.3.1 时域特征 | 第42页 |
| 4.3.2 频域特征 | 第42-43页 |
| 4.4 分类结果分析及讨论 | 第43-47页 |
| 4.5 本章小结 | 第47-48页 |
| 第5章 总结与展望 | 第48-51页 |
| 5.1 本文工作总结 | 第48-50页 |
| 5.2 未来研究工作 | 第50-51页 |
| 参考文献 | 第51-54页 |
| 致谢 | 第54-55页 |
| 附录（攻读硕士学位期间参与的科研项目和研究成果） | 第55页 |
