| 中文摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-17页 |
| 1.1 研究课题的背景与意义 | 第8-9页 |
| 1.1.1 特征选择的背景与意义 | 第8-9页 |
| 1.1.2 疾病数据的特点及影响 | 第9页 |
| 1.2 特征选择的研究现状 | 第9-13页 |
| 1.2.1 特征选择的发展历程及趋势 | 第9-13页 |
| 1.2.2 特征选择的基本框架 | 第13页 |
| 1.3 特征选择在语音抑郁症识别中的应用 | 第13-14页 |
| 1.4 本文研究内容及实验设计 | 第14-15页 |
| 1.4.1 研究内容 | 第14-15页 |
| 1.4.2 实验设计 | 第15页 |
| 1.5 本文章节安排 | 第15-17页 |
| 第二章 相关技术及原理概述 | 第17-27页 |
| 2.1 特征选择 | 第17-21页 |
| 2.1.1 相关系数 | 第17页 |
| 2.1.2 卡方检验 | 第17-18页 |
| 2.1.3 最小冗余最大相关 | 第18-19页 |
| 2.1.4 Relief | 第19-20页 |
| 2.1.5 递归特征消除法 | 第20-21页 |
| 2.2 分类器算法 | 第21-24页 |
| 2.2.1 支持向量机 | 第21-22页 |
| 2.2.2 决策树 | 第22页 |
| 2.2.3 集成学习 | 第22-24页 |
| 2.3 类别不平衡数据处理方法 | 第24-26页 |
| 2.3.1 Tomek Links | 第24-25页 |
| 2.3.2 SMOTE | 第25-26页 |
| 2.3.3 代价敏感学习 | 第26页 |
| 2.4 本章小结 | 第26-27页 |
| 第三章 基于代价敏感的特征选择算法设计 | 第27-48页 |
| 3.1 设计思路 | 第27-28页 |
| 3.2 算法设计 | 第28-34页 |
| 3.2.1 基于代价敏感的特征子集评价 | 第29-31页 |
| 3.2.2 基于代价敏感的过滤式特征选择方法 | 第31页 |
| 3.2.3 基于样本重复识别的冗余度计算 | 第31-33页 |
| 3.2.4 最小分类损失-最小重复识别率特征选择算法 | 第33-34页 |
| 3.3 算法验证 | 第34-47页 |
| 3.3.1 测试数据及测试方案 | 第34-36页 |
| 3.3.2 平衡数据集测试 | 第36-41页 |
| 3.3.3 不平衡数据集测试 | 第41-47页 |
| 3.4 本章小结 | 第47-48页 |
| 第四章 本文算法在基于语音的抑郁症识别中的应用 | 第48-66页 |
| 4.1 基于语音的抑郁症识别简介 | 第48-50页 |
| 4.1.1 基于语音的抑郁症识别的背景与意义 | 第49-50页 |
| 4.2 实验设计及数据采集 | 第50-55页 |
| 4.2.1 实验设计 | 第50-51页 |
| 4.2.2 实验样本选取标准、使用场地及材料 | 第51-53页 |
| 4.2.3 数据采集及特征提取 | 第53-55页 |
| 4.3 抑郁症语音数据分析及处理 | 第55-65页 |
| 4.3.1 语音特征选择 | 第55-59页 |
| 4.3.2 抑郁症患者的语音特点 | 第59-63页 |
| 4.3.3 基于语音的抑郁症识别模型构建 | 第63-65页 |
| 4.4 本章小结 | 第65-66页 |
| 第五章 总结与展望 | 第66-68页 |
| 5.1 总结 | 第66-67页 |
| 5.2 展望 | 第67-68页 |
| 参考文献 | 第68-73页 |
| 在学期间研究成果 | 第73-74页 |
| 致谢 | 第74页 |