虚拟现实与生理信号特征之相关研究
| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第1章 绪论 | 第8-16页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 课题的国内外研究现状 | 第9-12页 |
| 1.3 课题研究的目的与意义 | 第12-13页 |
| 1.4 本文的主要研究工作和组织结构 | 第13-16页 |
| 第2章 相关工作 | 第16-28页 |
| 2.1 情绪模型 | 第16-17页 |
| 2.2 unity3D及相关技术 | 第17页 |
| 2.3 脑波信号与情绪状态的理论依据 | 第17-18页 |
| 2.4 基于脑波的情感分类技术 | 第18-24页 |
| 2.4.1 k近邻法 | 第18-19页 |
| 2.4.2 贝叶斯分类算法 | 第19-20页 |
| 2.4.3 支持向量机 | 第20-24页 |
| 2.5 降维方法 | 第24-25页 |
| 2.5.1 主成分分析法 | 第24页 |
| 2.5.2 线性判别分析 | 第24-25页 |
| 2.6 相关工具 | 第25-28页 |
| 2.6.1 VR头戴显示设备HTCVive | 第25-26页 |
| 2.6.2 脑波仪muse | 第26-28页 |
| 第3章 基于脑波信号的恐惧等级分类技术 | 第28-40页 |
| 3.1 影响实验的因素 | 第28-29页 |
| 3.2 脑波信号的收集和特征提取 | 第29-31页 |
| 3.2.1 脑波信号的收集 | 第29页 |
| 3.2.2 标准差 | 第29页 |
| 3.2.3 去趋势波动分析 | 第29-30页 |
| 3.2.4 近似熵 | 第30-31页 |
| 3.2.5 赫斯特指数 | 第31页 |
| 3.3 神经网络分类器 | 第31-37页 |
| 3.3.1 训练阶段 | 第35-36页 |
| 3.3.2 分类阶段 | 第36-37页 |
| 3.4 支持向量机分类器 | 第37-39页 |
| 3.4.1 训练阶段 | 第37-38页 |
| 3.4.2 分类阶段 | 第38-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第4章 实验及讨论 | 第40-50页 |
| 4.1 实验设置 | 第40-43页 |
| 4.1.1 实验对象 | 第40-41页 |
| 4.1.2 实验步骤 | 第41-43页 |
| 4.1.3 数据收集 | 第43页 |
| 4.2 评价标准 | 第43页 |
| 4.3 实验结果 | 第43-50页 |
| 4.3.1 时间窗 | 第44页 |
| 4.3.2 不同脑波频段 | 第44-46页 |
| 4.3.3 不同的特征 | 第46页 |
| 4.3.4 不同的降维方法 | 第46-48页 |
| 4.3.5 不同特征与维度间的关系 | 第48页 |
| 4.3.6 不同的算法 | 第48-49页 |
| 4.3.7 结果对比 | 第49-50页 |
| 第5章 总结与展望 | 第50-52页 |
| 5.1 总结 | 第50页 |
| 5.2 展望 | 第50-52页 |
| 参考文献 | 第52-56页 |
| 发表论文和参加科研情况说明 | 第56-58页 |
| 致谢 | 第58页 |
