| 中文摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 情感识别的研究背景 | 第10-11页 |
| 1.2 研究现状 | 第11-15页 |
| 1.2.1 基于脑电信号的情感识别研究现状 | 第11-13页 |
| 1.2.2 多标签学习在情感领域的研究现状 | 第13-15页 |
| 1.3 本文研究目的与意义 | 第15-16页 |
| 1.4 本文主要工作 | 第16页 |
| 1.5 本文结构组织 | 第16-18页 |
| 第二章 基于多示例学习的脑电情感识别方法基础 | 第18-28页 |
| 2.1 情感识别的空间模型 | 第18-19页 |
| 2.2 基于脑电的情感识别方法 | 第19-23页 |
| 2.2.1 脑电简介 | 第19-21页 |
| 2.2.2 脑电特征提取 | 第21-23页 |
| 2.3 多示例学习与多示例多标签学习 | 第23-27页 |
| 2.3.1 多示例学习 | 第23-25页 |
| 2.3.2 多示例多标签学习 | 第25-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 基于多示例学习的情感识别方法研究与应用 | 第28-46页 |
| 3.1 基于多示例学习的脑电情感识别框架 | 第28-29页 |
| 3.2 实验数据 | 第29-32页 |
| 3.2.1 实验刺激选择 | 第30-31页 |
| 3.2.2 实验流程设置 | 第31-32页 |
| 3.3 基于脑电信号的多示例包特征表示 | 第32-35页 |
| 3.3.1 实验数据预处理 | 第33-34页 |
| 3.3.2 实验设计 | 第34-35页 |
| 3.4 框架内含算法构件 | 第35-41页 |
| 3.4.1 包级Citation-kNN算法 | 第35-37页 |
| 3.4.2 基于支持向量机的示例级mi-svm算法 | 第37-38页 |
| 3.4.3 基于示例间结构的miGraph算法 | 第38-41页 |
| 3.5 实验结果与分析 | 第41-45页 |
| 3.5.1 算法评价指标 | 第41页 |
| 3.5.2 实验结果与分析 | 第41-45页 |
| 3.6 本章小结 | 第45-46页 |
| 第四章 基于多示例多标签学习的多维情感识别方法研究与应用.. | 第46-64页 |
| 4.1 基于多示例多标签学习的多维情感识别框架 | 第46-47页 |
| 4.2 实验数据与实验设计 | 第47-49页 |
| 4.2.1 实验数据 | 第47-48页 |
| 4.2.2 实验设计 | 第48-49页 |
| 4.3 框架内含算法构件 | 第49-57页 |
| 4.3.1 基于支持向量机的MIMLSVM算法 | 第49-50页 |
| 4.3.2 基于最大间隔的M3MIML算法 | 第50-52页 |
| 4.3.3 基于神经网络的MIMLNN算法 | 第52-55页 |
| 4.3.4 基于集成神经网络的EnMIMLNN算法 | 第55-57页 |
| 4.4 实验结果与分析 | 第57-63页 |
| 4.4.1 算法评价指标 | 第57-58页 |
| 4.4.2 实验结果与分析 | 第58-62页 |
| 4.4.3 与DEAP数据集现有研究结果的对比 | 第62-63页 |
| 4.5 本章小结 | 第63-64页 |
| 第五章 总结及展望 | 第64-66页 |
| 5.1 工作总结 | 第64-65页 |
| 5.2 工作展望 | 第65-66页 |
| 参考文献 | 第66-71页 |
| 在学期间的研究成果 | 第71-72页 |
| 致谢 | 第72页 |
