| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 引言 | 第10页 |
| 1.2 脑电信号及其分类 | 第10-12页 |
| 1.3 基于脑电信号身份识别的研究现状 | 第12-15页 |
| 1.4 本文的章节安排 | 第15-18页 |
| 第二章 基于循环卷积神经网络的脑电信号身份识别 | 第18-28页 |
| 2.1 卷积神经网络 | 第18-21页 |
| 2.1.1 卷积层 | 第18-19页 |
| 2.1.2 线性整流层 | 第19页 |
| 2.1.3 池化层 | 第19页 |
| 2.1.4 损失函数层 | 第19-20页 |
| 2.1.5 CNN的优势 | 第20-21页 |
| 2.2 循环神经网络 | 第21页 |
| 2.3 循环卷积神经网络 | 第21-24页 |
| 2.4 基于RCNN脑电信号身份识别网络 | 第24-28页 |
| 第三章 基于RCNN的脑电信号身份识别系统 | 第28-44页 |
| 3.1 实验设计 | 第28-34页 |
| 3.1.1 数据集的建立 | 第28-31页 |
| 3.1.2 传统识别方法 | 第31-33页 |
| 3.1.3 ReConv-EEG Net参数配置 | 第33-34页 |
| 3.2 脑电波录制因素对脑电信号身份识别的影响 | 第34-44页 |
| 3.2.1 混合设备评估 | 第34-35页 |
| 3.2.2 思维状态评估 | 第35-37页 |
| 3.2.3 日常生活评估 | 第37-39页 |
| 3.2.4 疲劳驾驶评估 | 第39页 |
| 3.2.5 大数据集识别效果评价—100位受试者身份识别 | 第39-42页 |
| 3.2.6 识别系统对多通道脑电信号的扩展性 | 第42-44页 |
| 第四章 多通道脑电信号的动作识别 | 第44-54页 |
| 4.1 WAY-EEG-GAL数据集 | 第45页 |
| 4.2 手部动作对脑电信号的时频影响分析 | 第45-46页 |
| 4.2.1 功率谱分析 | 第45-46页 |
| 4.2.2 视觉诱发电位分析 | 第46页 |
| 4.3 共空间模式 | 第46-50页 |
| 4.3.1 共空间模式算法基本原理 | 第46-50页 |
| 4.3.2 CSP动作识别结果 | 第50页 |
| 4.4 多通道脑电信号动作识别系统 | 第50-54页 |
| 4.4.1 识别框架 | 第51页 |
| 4.4.2 实验结果分析 | 第51-54页 |
| 第五章 基于视频中人脸表情的疼痛评级 | 第54-64页 |
| 5.1 基于视频序列人脸表情的疼痛指数评级框架 | 第56-58页 |
| 5.1.1 人脸对齐 | 第57-58页 |
| 5.1.2 连续预测 | 第58页 |
| 5.2 评级效果评价 | 第58-64页 |
| 5.2.1 UNBC-McMaster数据集 | 第58-59页 |
| 5.2.2 评价方式 | 第59-60页 |
| 5.2.3 参数配置 | 第60-61页 |
| 5.2.4 实验结果分析 | 第61-64页 |
| 第六章 总结与展望 | 第64-66页 |
| 参考文献 | 第66-72页 |
| 致谢 | 第72-74页 |
| 攻读学位期间发表的学术论文目录 | 第74页 |