基于脑电导联空间关联性的情绪识别算法框架研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景 | 第10-12页 |
| 1.2 基于EEG的情绪识别研究现状 | 第12-16页 |
| 1.2.1 情绪识别 | 第12页 |
| 1.2.2 基于EEG的特征工程 | 第12-14页 |
| 1.2.3 常用机器学习算法 | 第14-15页 |
| 1.2.4 基于EEG情绪识别的难点 | 第15-16页 |
| 1.3 论文的主要工作及结构 | 第16-17页 |
| 1.3.1 论文的主要工作 | 第16-17页 |
| 1.3.2 论文的组织结构 | 第17页 |
| 1.4 本章小结 | 第17-18页 |
| 第二章 基于EEG情绪识别研究的相关知识 | 第18-25页 |
| 2.1 EEG信号处理 | 第18页 |
| 2.2 特征工程 | 第18-23页 |
| 2.2.1 特征提取 | 第18-22页 |
| 2.2.2 特征选择 | 第22-23页 |
| 2.3 卷积神经网络 | 第23-24页 |
| 2.4 计算机实验环境 | 第24页 |
| 2.5 本章小结 | 第24-25页 |
| 第三章 基于脑电导联空间关联性的情绪识别算法框架 | 第25-38页 |
| 3.1 DEAP数据库介绍 | 第25-26页 |
| 3.2 脑电导联相关性特征 | 第26-28页 |
| 3.3 算法框架 | 第28-32页 |
| 3.3.1 数据处理 | 第28-29页 |
| 3.3.2 特征提取 | 第29-30页 |
| 3.3.3 卷积神经网络结构 | 第30-32页 |
| 3.4 实验 | 第32-37页 |
| 3.4.1 实验设计 | 第32-34页 |
| 3.4.2 实验结果与分析 | 第34-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第四章 基于EEG特征融合的深度网络集成算法框架 | 第38-57页 |
| 4.1 数据预处理 | 第38-39页 |
| 4.2 相关性矩阵 | 第39-41页 |
| 4.2.1 矩阵构建 | 第39页 |
| 4.2.2 同步相似性 | 第39-41页 |
| 4.3 集成学习 | 第41-44页 |
| 4.3.1 Boosting策略 | 第41-42页 |
| 4.3.2 Bagging策略 | 第42-43页 |
| 4.3.3 Stacking策略 | 第43-44页 |
| 4.4 基于EEG特征融合的深度网络集成算法 | 第44-47页 |
| 4.5 实验结果及分析 | 第47-55页 |
| 4.5.1 实验评估方法 | 第47-48页 |
| 4.5.2 实验设计 | 第48-49页 |
| 4.5.3 实验结果与分析 | 第49-54页 |
| 4.5.4 结论 | 第54-55页 |
| 4.6 本章小结 | 第55-57页 |
| 总结与展望 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 攻读硕士学位期间取得的研究成果 | 第63-64页 |
| 致谢 | 第64-65页 |
| 附件 | 第65页 |
