| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 课题背景、目的和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 本文研究内容和章节安排 | 第13-15页 |
| 第2章 脑电信号与情绪研究 | 第15-23页 |
| 2.1 情感脑电的相关研究 | 第15-18页 |
| 2.1.1 情感伴生EEG的生理机制 | 第15-16页 |
| 2.1.2 基于三分类的情感识别 | 第16页 |
| 2.1.3 基于视频刺激的情感诱发 | 第16-18页 |
| 2.2 脑电信号的研究 | 第18-21页 |
| 2.2.1 脑电信号的概述与分类 | 第18-19页 |
| 2.2.2 脑电信号的采集 | 第19-21页 |
| 2.2.3 脑电信号的分析方法 | 第21页 |
| 2.3 本章小结 | 第21-23页 |
| 第3章 脑电数据处理与通道重要性排序 | 第23-36页 |
| 3.1 脑电信号预处理 | 第23-24页 |
| 3.2 脑电信号特征提取 | 第24-28页 |
| 3.2.1 基于小波变换的特征提取 | 第25-26页 |
| 3.2.2 基于小波特征和信息熵的复合特征提取 | 第26-28页 |
| 3.3 基于BP+DEMATEL模型的通道选择算法 | 第28-35页 |
| 3.3.1 基于BP神经网络的直接关联矩阵获取 | 第28-30页 |
| 3.3.2 基于DEMATEL模型的全关联矩阵获取 | 第30-31页 |
| 3.3.3 基于BP+DEMATEL模型通道选择算法 | 第31-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第4章 视频诱发情感脑电信号分类与降维 | 第36-56页 |
| 4.1 基于浅层分类算法的情绪识别 | 第36-42页 |
| 4.1.1 基于SVM的情绪识别 | 第36-38页 |
| 4.1.2 基于PNN的情绪分类 | 第38-39页 |
| 4.1.3 基于GRNN的情绪分类 | 第39-42页 |
| 4.2 基于深度学习分类算法的情绪识别 | 第42-45页 |
| 4.2.1 受限玻尔兹曼机原理 | 第42-44页 |
| 4.2.2 基于RBM和BP神经网络的深度学习神经网络 | 第44页 |
| 4.2.3 基于深度学习的情绪分类 | 第44-45页 |
| 4.3 基于新型深度学习组合神经网络的情绪识别 | 第45-50页 |
| 4.3.1 基于最优学习率的双受限玻尔兹曼机设计 | 第46-48页 |
| 4.3.2 深度学习组合神经网络构建 | 第48-49页 |
| 4.3.3 组合深度学习神经网络的情绪分类 | 第49-50页 |
| 4.4 情绪分类不同算法性能仿真 | 第50-51页 |
| 4.5 情绪分类不同降维方法对比 | 第51-54页 |
| 4.5.1 基于PCA的脑电数据降维 | 第52-53页 |
| 4.5.2 基于mRMR的脑电数据降维 | 第53-54页 |
| 4.5.3 基于情绪分类的不同降维方法性能对比 | 第54页 |
| 4.6 本章小结 | 第54-56页 |
| 第5章 视频诱发情感实验设计及算法验证 | 第56-62页 |
| 5.1 基于视频诱发的情感实验设计 | 第56-59页 |
| 5.1.1 EEG信号采集装置 | 第56-57页 |
| 5.1.2 实验对象与素材 | 第57-58页 |
| 5.1.3 实验流程设计 | 第58-59页 |
| 5.2 基于EEG的情感识别方法验证 | 第59-61页 |
| 5.3 本章小结 | 第61-62页 |
| 结论 | 第62-64页 |
| 参考文献 | 第64-69页 |
| 致谢 | 第69页 |
