| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 论文研究内容和结构安排 | 第12-13页 |
| 1.4 论文研究特色 | 第13-15页 |
| 第二章 实验设计与数据预处理 | 第15-27页 |
| 2.1 实验设计 | 第15-19页 |
| 2.1.1 实验对象 | 第15页 |
| 2.1.2 实验采集设备 | 第15-16页 |
| 2.1.3 实验过程 | 第16-19页 |
| 2.2 皮肤电信号预处理 | 第19-21页 |
| 2.2.1 皮肤电信号截取 | 第19-20页 |
| 2.2.2 皮肤电信号去噪 | 第20-21页 |
| 2.3 皮肤电信号特征提取 | 第21-24页 |
| 2.3.1 时域特征 | 第22-23页 |
| 2.3.2 频域特征 | 第23-24页 |
| 2.4 本章小结 | 第24-27页 |
| 第三章 特征组合优化与学习焦虑的识别模型 | 第27-43页 |
| 3.1 学习焦虑情感GSR信号的特征选择 | 第27-31页 |
| 3.1.1 特征选择问题 | 第27-28页 |
| 3.1.2 离散二进制粒子群算法 | 第28-29页 |
| 3.1.3 改进的离散二进制粒子群算法 | 第29-31页 |
| 3.1.4 目标函数 | 第31页 |
| 3.2 学习焦虑的识别模型 | 第31-35页 |
| 3.2.1 分类器的原理 | 第31-32页 |
| 3.2.2 BP神经网络 | 第32-34页 |
| 3.2.3 BP神经网络在学习焦虑识别中的训练过程 | 第34-35页 |
| 3.3 实验与分析 | 第35-40页 |
| 3.3.1 早熟阈值的确定 | 第36-37页 |
| 3.3.2 两种算法的性能比较 | 第37-39页 |
| 3.3.3 两种特征子集的识别效果 | 第39-40页 |
| 3.4 本章小结 | 第40-43页 |
| 第四章 学习焦虑情感调节模型的建立 | 第43-48页 |
| 4.1 情感调节 | 第43-44页 |
| 4.2 Gross情绪调节模型 | 第44-45页 |
| 4.3 人机交互下情感调节模型 | 第45-46页 |
| 4.4 本章小结 | 第46-48页 |
| 第五章 基于Android的学习焦虑识别与调节助手的设计与实现 | 第48-64页 |
| 5.1 系统设计要求 | 第48页 |
| 5.2 系统架构设计 | 第48-51页 |
| 5.2.1 系统逻辑架构设计 | 第49-50页 |
| 5.2.2 系统物理架构设计 | 第50页 |
| 5.2.3 系统运行架构设计 | 第50-51页 |
| 5.3 系统功能模块设计 | 第51-52页 |
| 5.3.1 情感计算后台管理系统的功能模块设计 | 第51页 |
| 5.3.2 学习焦虑识别与调节助手的功能模块设计 | 第51-52页 |
| 5.4 系统业务流程控制 | 第52-54页 |
| 5.4.1 情感计算后台管理系统的业务流程 | 第52-53页 |
| 5.4.2 学习焦虑识别与调节助手的功能模块设计 | 第53-54页 |
| 5.5 情感计算后台管理系统的实现 | 第54-59页 |
| 5.6 学习焦虑的识别与调节助手的实现 | 第59-63页 |
| 5.7 本章小结 | 第63-64页 |
| 第六章 总结与展望 | 第64-66页 |
| 6.1 总结 | 第64-65页 |
| 6.2 展望 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 附录一 | 第70-74页 |
| 附录二 | 第74-76页 |
| 致谢 | 第76-77页 |
| 攻读硕士期间研究成果及发表的学术论文 | 第77页 |