基于卷积神经网络的EEG情绪分类研究
| 摘要 | 第3-5页 |
| ABSTRACT | 第5-7页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 研究现状 | 第13-15页 |
| 1.3 研究内容及研究方法 | 第15-17页 |
| 1.4 论文结构 | 第17-18页 |
| 第二章 脑电的采集及预处理 | 第18-27页 |
| 2.1 刺激材料及情感模型简介 | 第18-19页 |
| 2.2 刺激材料的选取 | 第19-20页 |
| 2.3 刺激文件的设计 | 第20-21页 |
| 2.4 脑电信号的采集 | 第21-24页 |
| 2.4.1 被试者情况 | 第22页 |
| 2.4.2 实验环境 | 第22-23页 |
| 2.4.3 实验样本 | 第23-24页 |
| 2.5 数据预处理 | 第24-27页 |
| 2.5.1 去除坏区 | 第24-25页 |
| 2.5.2 去除眼电伪迹 | 第25-26页 |
| 2.5.3 去除其它伪迹 | 第26页 |
| 2.5.4 数字滤波 | 第26-27页 |
| 第三章 情绪特征提取 | 第27-37页 |
| 3.1 基于小波变换的特征提取 | 第27-34页 |
| 3.1.1 小波变换在EEG上的应用 | 第27-29页 |
| 3.1.2 母小波的选取 | 第29-32页 |
| 3.1.3 小波特征介绍 | 第32-34页 |
| 3.2 基于共同空间模式的特征提取 | 第34-37页 |
| 3.2.1 共同空间模式在EEG上的应用 | 第34-36页 |
| 3.2.2 CSP降维后脑电特征的提取 | 第36-37页 |
| 第四章 脑电信号分类 | 第37-46页 |
| 4.1 支持向量机 | 第37-41页 |
| 4.1.1 支持向量机的基本原理 | 第37-40页 |
| 4.1.2 核函数的选择 | 第40-41页 |
| 4.2 应用于脑电的CNN | 第41-46页 |
| 第五章 实验结果及分析 | 第46-60页 |
| 5.1 WT-SVM | 第46-49页 |
| 5.2 WT-CNN | 第49-52页 |
| 5.3 CSP-VAR-SVM | 第52-54页 |
| 5.4 CSP-VAR-CNN | 第54-56页 |
| 5.5 CSP-CNN | 第56-59页 |
| 5.6 本章小结 | 第59-60页 |
| 第六章 总结与展望 | 第60-63页 |
| 6.1 总结 | 第60-61页 |
| 6.2 展望 | 第61-63页 |
| 参考文献 | 第63-65页 |
| 致谢 | 第65-66页 |
| 攻读硕士学位期间发表的学术论文和参与的项目 | 第66页 |
