| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.3 本文的研究内容 | 第15-16页 |
| 1.4 本文的结构 | 第16-17页 |
| 第二章 基于EEG的情绪识别 | 第17-25页 |
| 2.1 情绪模型 | 第17-18页 |
| 2.2 EEG信号 | 第18-20页 |
| 2.3 情绪诱发方式 | 第20-21页 |
| 2.4 DEAP数据库 | 第21-22页 |
| 2.5 EEG相关特征 | 第22-24页 |
| 2.5.1 单变量特征 | 第22-23页 |
| 2.5.2 双变量特征 | 第23-24页 |
| 2.6 本章小结 | 第24-25页 |
| 第三章 基于脑网络特征的情绪识别研究 | 第25-46页 |
| 3.1 引言 | 第25-26页 |
| 3.2 脑效应网络构建与情绪分析 | 第26-32页 |
| 3.2.1 格兰杰因果关系介绍 | 第26-27页 |
| 3.2.2 数据预处理 | 第27-29页 |
| 3.2.3 格兰杰因果关系网络 | 第29页 |
| 3.2.4 实验结果分析 | 第29-31页 |
| 3.2.5 结论 | 第31-32页 |
| 3.3 脑功能网络构建与情绪识别 | 第32-44页 |
| 3.3.1 脑功能网络介绍 | 第32-33页 |
| 3.3.2 数据预处理 | 第33-37页 |
| 3.3.3 网络特征提取 | 第37-39页 |
| 3.3.4 实验结果分析 | 第39-44页 |
| 3.4 本章小结 | 第44-46页 |
| 第四章 基于最小生成树的情绪脑网络分析 | 第46-65页 |
| 4.1 引言 | 第46-47页 |
| 4.2 MST的构建与特征提取 | 第47-50页 |
| 4.2.1 全局指标(Globalmeasures) | 第47-49页 |
| 4.2.2 局部指标(Localmeasures) | 第49-50页 |
| 4.2.3 特征提取过程 | 第50页 |
| 4.3 实验结果分析 | 第50-64页 |
| 4.3.1 两种性别对情绪刺激的反应 | 第50-55页 |
| 4.3.2 Valence维度下两种情绪的差异 | 第55-56页 |
| 4.3.3 Arousal维度下两种情绪的差异 | 第56-60页 |
| 4.3.4 分类结果 | 第60-64页 |
| 4.4 本章小结 | 第64-65页 |
| 第五章 基于熵的EEG情绪识别研究 | 第65-75页 |
| 5.1 引言 | 第65页 |
| 5.2 近似熵算法 | 第65-72页 |
| 5.2.1 经典近似熵算法 | 第65-67页 |
| 5.2.2 快速近似熵算法 | 第67-70页 |
| 5.2.3 两种近似熵算法的比较 | 第70-72页 |
| 5.3 基于近似熵的情绪分类 | 第72-73页 |
| 5.4 实验结果分析 | 第73页 |
| 5.5 本章小结 | 第73-75页 |
| 第六章 总结与展望 | 第75-77页 |
| 6.1 全文总结 | 第75-76页 |
| 6.2 展望 | 第76-77页 |
| 致谢 | 第77-78页 |
| 参考文献 | 第78-85页 |
| 附录 | 第85页 |