基于脑电信号的情绪识别研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 引言 | 第8-10页 |
| 1.1.1 课题研究的背景 | 第8-9页 |
| 1.1.2 课题研究的意义 | 第9-10页 |
| 1.2 现阶段的研究现状 | 第10-12页 |
| 1.2.1 国内研究现状 | 第10-11页 |
| 1.2.2 国外研究现状 | 第11-12页 |
| 1.3 本论文的主要结构 | 第12-13页 |
| 第二章 情绪脑电的理论与数据分析 | 第13-27页 |
| 2.1 脑电信号的基础理论 | 第13-16页 |
| 2.1.1 大脑的结构与功能 | 第13-14页 |
| 2.1.2 脑电信号的特点 | 第14-15页 |
| 2.1.3 脑电信号的节律性 | 第15-16页 |
| 2.2 基于脑电的情绪理论 | 第16-19页 |
| 2.2.1 情绪的理论知识 | 第16-17页 |
| 2.2.2 情绪的诱发方式 | 第17-18页 |
| 2.2.3 情绪的分类研究 | 第18-19页 |
| 2.3 基于情绪脑电的数据分析 | 第19-25页 |
| 2.3.1 数据采集设备 | 第20-21页 |
| 2.3.2 数据实现流程 | 第21-23页 |
| 2.3.3 脑电情绪分类 | 第23-25页 |
| 2.3.4 数据预处理 | 第25页 |
| 2.4 本章小结 | 第25-27页 |
| 第三章 脑电信号的特征提取 | 第27-41页 |
| 3.1 脑电信号的线性分析法 | 第27-32页 |
| 3.1.1 基本的线性分析方法 | 第27-28页 |
| 3.1.2 基于小波分析的能量特征 | 第28-29页 |
| 3.1.3 基于小波能量的数据分析 | 第29-32页 |
| 3.2 脑电信号的非线性动力学分析方法 | 第32-40页 |
| 3.2.1 近似熵 | 第33-35页 |
| 3.2.2 样本熵 | 第35-38页 |
| 3.2.3 排列熵 | 第38-40页 |
| 3.3 本章小结 | 第40-41页 |
| 第四章 脑电信号的模式分类 | 第41-50页 |
| 4.1 模式分类的主要方法 | 第41-42页 |
| 4.1.1 无监督学习 | 第41-42页 |
| 4.1.2 有监督学习 | 第42页 |
| 4.2 基于网格搜索优化的支持向量机 | 第42-48页 |
| 4.2.1 支持向量机的基本理论 | 第42-46页 |
| 4.2.2 改进的网格搜索法优化参数 | 第46-48页 |
| 4.3 LibSVM软件的使用 | 第48-49页 |
| 4.4 本章小结 | 第49-50页 |
| 第五章 基于脑电的情绪识别研究 | 第50-57页 |
| 5.1 基于单个特征参数的SVM分类识别 | 第50-54页 |
| 5.1.1 基于线性小波能量的SVM分类 | 第50-52页 |
| 5.1.2 基于非线性特征参数的SVM分类 | 第52-54页 |
| 5.2 基于多个特征参数的SVM分类识别 | 第54-56页 |
| 5.3 本章小结 | 第56-57页 |
| 第六章 总结与展望 | 第57-58页 |
| 参考文献 | 第58-61页 |
| 附录1攻读硕士学位期间申请的专利 | 第61-62页 |
| 致谢 | 第62页 |
