| 中文摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 脑电信号的简介 | 第11-12页 |
| 1.3 研究现状 | 第12-14页 |
| 1.3.1 脑电数据在抑郁症研究中的应用 | 第12-13页 |
| 1.3.2 深度学习在脑电信号研究领域中的应用 | 第13-14页 |
| 1.4 本文主要内容及组织结构 | 第14-16页 |
| 第二章 深度学习概述 | 第16-27页 |
| 2.1 深度学习简介 | 第16-17页 |
| 2.2 深度学习常用模型 | 第17-20页 |
| 2.2.1 卷积神经网络模型 | 第17-18页 |
| 2.2.2 LSTM | 第18-20页 |
| 2.3 常用激活函数和损失函数 | 第20页 |
| 2.4 深度学习模型优化算法 | 第20-23页 |
| 2.5 深度学习优化策略 | 第23-24页 |
| 2.5.1 模型初始化 | 第23页 |
| 2.5.2 Batch Normalization | 第23-24页 |
| 2.5.3 正则化 | 第24页 |
| 2.6 深度学习模型的可视化 | 第24-26页 |
| 2.7 本章小结 | 第26-27页 |
| 第三章 基于脑电的静息态实验设计和数据采集 | 第27-30页 |
| 3.1 实验原理 | 第27页 |
| 3.2 实验对象 | 第27-28页 |
| 3.3 实验流程及脑电数据的采集 | 第28-29页 |
| 3.4 本章小结 | 第29-30页 |
| 第四章 基于脑电原始数据的抑郁识别深度学习方法研究 | 第30-41页 |
| 4.1 脑电数据预处理 | 第30-31页 |
| 4.2 深度学习模型 | 第31-35页 |
| 4.2.1 模型结构 | 第32-33页 |
| 4.2.2 损失函数 | 第33-34页 |
| 4.2.3 模型优化和训练 | 第34-35页 |
| 4.3 结果及分析 | 第35-39页 |
| 4.4 本章小结 | 第39-41页 |
| 第五章 基于脑电功率谱密度的抑郁识别深度学习方法研究 | 第41-56页 |
| 5.1 脑电数据预处理 | 第41-43页 |
| 5.2 基于脑电功率谱密度的抑郁症患者识别方法 | 第43-48页 |
| 5.2.1 数据帧构造 | 第43-46页 |
| 5.2.2 深度学习模型 | 第46-47页 |
| 5.2.3 模型优化和训练 | 第47-48页 |
| 5.3 结果及分析 | 第48-54页 |
| 5.4 本章小结 | 第54-56页 |
| 第六章 总结与展望 | 第56-58页 |
| 6.1 工作总结 | 第56页 |
| 6.2 工作展望 | 第56-58页 |
| 参考文献 | 第58-61页 |
| 在学期间研究成果 | 第61-62页 |
| 一、发表论文 | 第61页 |
| 二、参与课题 | 第61-62页 |
| 致谢 | 第62页 |
