基于度量学习的脑电信号情绪识别方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-18页 |
| 1.1 课题背景及意义 | 第9-10页 |
| 1.2 研究现状 | 第10-14页 |
| 1.2.1 脑电信号情绪识别技术研究现状 | 第10-13页 |
| 1.2.2 度量学习研究现状 | 第13-14页 |
| 1.3 关键技术问题 | 第14-15页 |
| 1.4 本文研究内容及论文结构 | 第15-18页 |
| 第2章 脑电信号情绪识别的异常样本处理方法 | 第18-35页 |
| 2.1 引言 | 第18页 |
| 2.2 实验数据来源及情绪识别评估指标 | 第18-20页 |
| 2.3 问题分析 | 第20-21页 |
| 2.4 基本思路 | 第21-22页 |
| 2.5 基于EF的脑电数据异常样本处理方法 | 第22-26页 |
| 2.5.1 EF算法设计与实现 | 第23-26页 |
| 2.5.2 实验结果及分析 | 第26页 |
| 2.6 基于MEIF的脑电数据异常样本处理方法 | 第26-33页 |
| 2.6.1 MEIF算法设计与实现 | 第27-31页 |
| 2.6.2 实验结果及分析 | 第31-33页 |
| 2.7 综合分析 | 第33-34页 |
| 2.8 本章小结 | 第34-35页 |
| 第3章 基于LMNN的脑电信号情绪识别方法 | 第35-49页 |
| 3.1 引言 | 第35页 |
| 3.2 问题分析 | 第35-36页 |
| 3.3 基本思路 | 第36-38页 |
| 3.4 LMNN度量学习 | 第38-44页 |
| 3.4.1 模型构建 | 第40-41页 |
| 3.4.2 损失函数构造 | 第41-42页 |
| 3.4.3 凸优化模型转换 | 第42-43页 |
| 3.4.4 子梯度法求解 | 第43-44页 |
| 3.5 实验结果及分析 | 第44-47页 |
| 3.5.1 实验数据及设置 | 第44页 |
| 3.5.2 情绪识别结果比较 | 第44-45页 |
| 3.5.3 参数敏感分析 | 第45-47页 |
| 3.6 本章小结 | 第47-49页 |
| 第4章 基于MMD-ML的脑电信号情绪识别方法 | 第49-61页 |
| 4.1 引言 | 第49页 |
| 4.2 问题分析 | 第49-52页 |
| 4.3 基本思路 | 第52-54页 |
| 4.4 MMD-ML度量学习 | 第54-57页 |
| 4.4.1 模型构建 | 第55-56页 |
| 4.4.2 核矩阵求解 | 第56-57页 |
| 4.5 实验结果及分析 | 第57-59页 |
| 4.5.1 实验数据及设置 | 第57页 |
| 4.5.2 跨个体情绪识别比较 | 第57-58页 |
| 4.5.3 跨时间情绪识别比较 | 第58-59页 |
| 4.5.4 参数敏感分析 | 第59页 |
| 4.6 本章小结 | 第59-61页 |
| 结论 | 第61-62页 |
| 参考文献 | 第62-68页 |
| 致谢 | 第68页 |
