| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 国外研究现状 | 第9-11页 |
| 1.2.2 国内研究现状 | 第11-12页 |
| 1.3 本文研究内容 | 第12页 |
| 1.4 本文结构框架 | 第12-14页 |
| 2 情感脑电基础 | 第14-24页 |
| 2.1 脑电基础知识 | 第14-15页 |
| 2.1.1 脑电的定义 | 第14页 |
| 2.1.2 脑电信号的分类 | 第14-15页 |
| 2.2 情感基础知识 | 第15-18页 |
| 2.2.1 情感的定义 | 第15-16页 |
| 2.2.2 情感的分类 | 第16-18页 |
| 2.2.2.1 情感的离散模型 | 第16-17页 |
| 2.2.2.2 情感的维度模型 | 第17-18页 |
| 2.3 DEAP数据集 | 第18-22页 |
| 2.4 情感脑电信号分类方法 | 第22-24页 |
| 3 基于经验模态分解和样本熵的情感识别分类方法 | 第24-36页 |
| 3.1 引言 | 第24页 |
| 3.2 算法设计与描述 | 第24-31页 |
| 3.2.1 算法描述 | 第24-25页 |
| 3.2.2 数据预处理 | 第25-26页 |
| 3.2.3 特征提取 | 第26-31页 |
| 3.2.3.1 经验模态分解 | 第26-27页 |
| 3.2.3.2 样本熵 | 第27-29页 |
| 3.2.3.3 基于EMD和Samp En相结合的特征提取方法 | 第29-31页 |
| 3.3 实验结果与分析 | 第31-35页 |
| 3.4 本章小结 | 第35-36页 |
| 4 基于小波包分解和自回归模型的情感识别分类方法 | 第36-47页 |
| 4.1 引言 | 第36页 |
| 4.2 研究方法 | 第36-41页 |
| 4.2.1 算法描述 | 第36-37页 |
| 4.2.2 数据预处理及通道选择 | 第37-39页 |
| 4.2.3 特征提取 | 第39-41页 |
| 4.2.3.1 小波包分解 | 第39-40页 |
| 4.2.3.2 自回归模型 | 第40-41页 |
| 4.2.3.3 基于WPD和AR的组合特征提取 | 第41页 |
| 4.3 实验结果及分析 | 第41-46页 |
| 4.3.1 二分类任务的实验结果及分析 | 第43-44页 |
| 4.3.2 三分类任务的实验结果及分析 | 第44页 |
| 4.3.3 四分类任务的实验结果及分析 | 第44-46页 |
| 4.4 本章小结 | 第46-47页 |
| 5 结论与展望 | 第47-49页 |
| 参考文献 | 第49-53页 |
| 攻读硕士学位期间发表学术论文情况 | 第53-54页 |
| 致谢 | 第54页 |