| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 背景 | 第10-11页 |
| 1.2 现状 | 第11-14页 |
| 1.2.1 EEG信号处理 | 第11页 |
| 1.2.2 EEG情绪特征提取 | 第11-12页 |
| 1.2.3 EEG情绪分类器 | 第12-13页 |
| 1.2.4 存在问题 | 第13-14页 |
| 1.3 论文主要工作 | 第14-15页 |
| 1.3.1 研究目标及研究内容 | 第14页 |
| 1.3.2 主要工作 | 第14-15页 |
| 1.4 文章内容框架 | 第15页 |
| 1.5 本章小结 | 第15-16页 |
| 第二章 基于EEG的情绪识别相关知识 | 第16-25页 |
| 2.1 EEG | 第16-17页 |
| 2.2 情绪模型 | 第17-19页 |
| 2.3 EEG情绪数据集 | 第19-20页 |
| 2.4 深度学习理论知识 | 第20-24页 |
| 2.4.1 基础知识 | 第20-21页 |
| 2.4.2 自动编码器 | 第21-22页 |
| 2.4.3 循环神经网络 | 第22-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第三章 基于EEG时空频多域信息的情绪识别算法研究 | 第25-35页 |
| 3.1 EEG特征提取 | 第25-29页 |
| 3.1.1 EEG信号分帧 | 第25-26页 |
| 3.1.2 频带能量特征提取 | 第26-27页 |
| 3.1.3 RASM和DASM特征提取 | 第27-28页 |
| 3.1.4 相关系数特征提取 | 第28-29页 |
| 3.2 基于LSTM的情绪分类网络 | 第29-33页 |
| 3.2.1 情绪时序模型 | 第29-30页 |
| 3.2.2 长短期记忆循环神经网络 | 第30-32页 |
| 3.2.3 基于LSTM的情绪分类器 | 第32-33页 |
| 3.3 实验及结果分析 | 第33-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第四章 SAE+LSTM情绪分类算法 | 第35-53页 |
| 4.1 基于SAE的EEG信号分解算法 | 第35-40页 |
| 4.1.1 EEG线性混合模型 | 第35-36页 |
| 4.1.2 堆叠自动编码器 | 第36-38页 |
| 4.1.3 基于SAE的线性混合模型 | 第38-39页 |
| 4.1.4 EEG信号分解实验 | 第39-40页 |
| 4.2 情绪分类框架设计 | 第40-41页 |
| 4.3 实验设计 | 第41-44页 |
| 4.4 实验结果及分析 | 第44-52页 |
| 4.4.1 对比实验一：基于LSTM的分类网络vs支持向量机SVM | 第44-46页 |
| 4.4.2 对比实验二：基于SAE的信号分解算法vs独立成分分析ICA | 第46-48页 |
| 4.4.3 对比实验三：频带能量特征FBPvs皮尔逊相关系数特征PCC | 第48-50页 |
| 4.4.4 对比实验四：SAE+LSTM情绪分类框架vs相关文献方法 | 第50-51页 |
| 4.4.5 结论 | 第51-52页 |
| 4.5 本章小结 | 第52-53页 |
| 第五章 基于EEG的自动情绪识别系统 | 第53-64页 |
| 5.1 总体设计 | 第53-55页 |
| 5.1.1 系统功能及流程设计 | 第53-54页 |
| 5.1.2 开发工具及模块设计 | 第54-55页 |
| 5.2 模块实现 | 第55-59页 |
| 5.2.1 业务处理模块 | 第55-57页 |
| 5.2.2 交互展示模块 | 第57-58页 |
| 5.2.3 应用管理模块 | 第58-59页 |
| 5.3 系统功能测试及结果分析 | 第59-62页 |
| 5.3.1 测试的软硬件平台 | 第59页 |
| 5.3.2 功能测试及结果分析 | 第59-62页 |
| 5.4 本章小结 | 第62-64页 |
| 第六章 总结与展望 | 第64-67页 |
| 6.1 总结 | 第64-65页 |
| 6.2 展望 | 第65-67页 |
| 参考文献 | 第67-72页 |
| 攻读硕士学位期间取得的研究成果 | 第72-73页 |
| 致谢 | 第73-74页 |
| 附件 | 第74页 |
