| 中文摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 抑郁症风险预测模型研究概述 | 第11-14页 |
| 1.2.1 统计信息抑郁风险因子及预测模型 | 第11-13页 |
| 1.2.2 脑功能变化抑郁风险因子及预测模型 | 第13-14页 |
| 1.3 本文主要研究内容 | 第14-15页 |
| 1.4 文章结构安排 | 第15-17页 |
| 第二章 基于EEG的抑郁症分类方法概述 | 第17-29页 |
| 2.1 传统机器学习方法 | 第17-21页 |
| 2.1.1 EEG特征提取 | 第17-19页 |
| 2.1.2 EEG分类模型 | 第19-20页 |
| 2.1.3 传统EEG分类局限 | 第20-21页 |
| 2.2 深度学习方法 | 第21-23页 |
| 2.2.1 浅层神经网络到深度网络 | 第21-22页 |
| 2.2.2 EEG深度学习方法可行性探讨 | 第22-23页 |
| 2.3 卷积神经网络 | 第23-25页 |
| 2.3.1 CNN的基本原理 | 第23-24页 |
| 2.3.2 CNN的基本构成 | 第24-25页 |
| 2.4 深度残差网络 | 第25-26页 |
| 2.5 循环神经网络 | 第26-27页 |
| 2.5.1 RNN的基本构成 | 第26页 |
| 2.5.2 长短期记忆网络 | 第26-27页 |
| 2.6 本章小结 | 第27-29页 |
| 第三章 两阶段抑郁症实时监测方法 | 第29-39页 |
| 3.1 EEG实时采集阶段 | 第29-36页 |
| 3.1.1 普适化EEG设备 | 第29-30页 |
| 3.1.2 静息态和可扩充音频刺激实验范式 | 第30-32页 |
| 3.1.3 时序EEG降噪与可视化 | 第32-36页 |
| 3.2 抑郁风险预测阶段 | 第36-38页 |
| 3.2.1 训练数据获取 | 第36-37页 |
| 3.2.2 分类模型决策层融合 | 第37-38页 |
| 3.2.3 实时概率输出 | 第38页 |
| 3.3 本章小结 | 第38-39页 |
| 第四章 基于CNN的静息态脑电抑郁分类 | 第39-54页 |
| 4.1 浅层CNN分类模型 | 第39-48页 |
| 4.1.1 静息态脑电数据集构建 | 第39页 |
| 4.1.2 浅层CNN分类性能预评估 | 第39-41页 |
| 4.1.3 静息态脑电数据样本时间窗扩充 | 第41-42页 |
| 4.1.4 时间窗EEG实验结果 | 第42-48页 |
| 4.2 基于特征图CNN的EEG分类 | 第48-50页 |
| 4.2.1 特征图的构建 | 第48-49页 |
| 4.2.2 特征图实验结果分析 | 第49-50页 |
| 4.3 基于深度残差网络的EEG分类 | 第50-53页 |
| 4.3.1 一般ResNet构建 | 第50-51页 |
| 4.3.2 一般ResNet实验结果分析 | 第51-52页 |
| 4.3.3 空间信息ResNet构建 | 第52-53页 |
| 4.3.4 空间信息ResNet实验结果分析 | 第53页 |
| 4.4 本章小结 | 第53-54页 |
| 第五章 基于CNN与LSTM的音频刺激脑电抑郁分类 | 第54-61页 |
| 5.1 音频刺激脑电分类模型 | 第54-55页 |
| 5.1.1 音频刺激脑电数据集构建 | 第54页 |
| 5.1.2 CNN与传统机器学习方法分类性能评估 | 第54-55页 |
| 5.2 基于CNN搭配LSTM网络构建 | 第55-60页 |
| 5.2.1 EEG功率谱转换 | 第55-56页 |
| 5.2.2 多种网络结构构建与实验结果 | 第56-60页 |
| 5.3 本章小结 | 第60-61页 |
| 第六章 总结与展望 | 第61-63页 |
| 6.1 总结 | 第61-62页 |
| 6.2 研究展望 | 第62-63页 |
| 参考文献 | 第63-68页 |
| 在学期间的研究成果 | 第68-69页 |
| 致谢 | 第69页 |