| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 课题研究的目的和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 基于不同生理信号的情绪识别研究 | 第11-12页 |
| 1.2.2 基于不同情绪诱发素材的研究 | 第12页 |
| 1.2.3 情绪脑电的特征提取算法研究 | 第12-14页 |
| 1.2.4 情绪分类算法研究 | 第14-15页 |
| 1.2.5 情绪识别实际应用中的挑战 | 第15页 |
| 1.3 本文研究的主要内容 | 第15-17页 |
| 第2章 情绪脑电理论以及数据分析 | 第17-30页 |
| 2.1 情绪基础理论 | 第17-21页 |
| 2.1.1 情绪的知识背景 | 第17-18页 |
| 2.1.2 情绪的分类 | 第18-20页 |
| 2.1.3 情绪的诱发方式 | 第20-21页 |
| 2.2 脑电信号基础理论 | 第21-23页 |
| 2.2.1 脑电信号的背景 | 第21-22页 |
| 2.2.2 脑电信号的特点 | 第22-23页 |
| 2.2.3 脑电信号与情绪识别 | 第23页 |
| 2.3 基于情绪脑电信号的数据分析 | 第23-29页 |
| 2.3.1 脑电数据采集 | 第24-27页 |
| 2.3.2 情绪模型选择 | 第27-28页 |
| 2.3.3 数据预处理 | 第28-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第3章 基于脑电信号的特征提取 | 第30-44页 |
| 3.1 小波变换 | 第30-32页 |
| 3.2 基于不同频带的能量特征选择 | 第32-36页 |
| 3.2.1 频带能量特征 | 第32-33页 |
| 3.2.2 微分熵 | 第33-35页 |
| 3.2.3 不对称特征 | 第35-36页 |
| 3.3 基于熵的特征选择 | 第36-41页 |
| 3.3.1 快速近似熵 | 第36-39页 |
| 3.3.2 排列熵 | 第39-41页 |
| 3.4 特征选择 | 第41-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第4章 情绪识别的分类算法 | 第44-54页 |
| 4.1 K近邻算法 | 第44-47页 |
| 4.2 支持向量机 | 第47-50页 |
| 4.3 基于遗传算法的SVM参数优化 | 第50-53页 |
| 4.4 本章小结 | 第53-54页 |
| 第5章 数据处理结果及分析 | 第54-63页 |
| 5.1 特征提取算法效果 | 第54-58页 |
| 5.1.1 单特征在不同频带下的SVM分类效果 | 第54-56页 |
| 5.1.2 多特征组合在不同频带下的SVM分类效果 | 第56-57页 |
| 5.1.3 关键频域 | 第57-58页 |
| 5.2 分类算法效果 | 第58-60页 |
| 5.3 Python和Matlab混合界面编程 | 第60-62页 |
| 5.4 本章小结 | 第62-63页 |
| 结论 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 攻读硕士学位期间发表的学术论文及获得成果 | 第68-69页 |
| 致谢 | 第69页 |