| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-18页 |
| 1.1 课题来源 | 第9页 |
| 1.2 课题背景与意义 | 第9-11页 |
| 1.3 相关技术介绍及研究现状 | 第11-16页 |
| 1.3.1 传统脑电信号特征提取方法 | 第11-13页 |
| 1.3.2 现代脑电信号特征提取方法 | 第13-14页 |
| 1.3.3 脑电信号情绪分类方法 | 第14-16页 |
| 1.4 本文的主要内容与组织结构 | 第16-18页 |
| 第2章 脑电信号分析方法及应用概述 | 第18-26页 |
| 2.1 引言 | 第18页 |
| 2.2 基于时域频域分析的传统脑电信号分析方法 | 第18-20页 |
| 2.3 基于非线性动力学方法的现代脑电信号分析方法 | 第20-25页 |
| 2.3.1 信息熵分析法 | 第21-22页 |
| 2.3.2 分形理论分析法 | 第22-24页 |
| 2.3.3 复杂度分析法 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 基于多特征决策融合的脑电信号情绪分类 | 第26-39页 |
| 3.1 引言 | 第26页 |
| 3.2 DEAP脑电情绪分类数据集及分类评估指标 | 第26-28页 |
| 3.3 特征选择及分类性能评估 | 第28-33页 |
| 3.3.1 信息熵特征 | 第28-30页 |
| 3.3.2 分形维度特征 | 第30-31页 |
| 3.3.3 复杂度特征 | 第31-33页 |
| 3.4 基于多特征决策融合的脑电情绪分类 | 第33-38页 |
| 3.4.1 基于多特征决策的融合策略设计 | 第33-36页 |
| 3.4.2 实验结果及分析 | 第36-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第4章 基于符号化表示学习的脑电信号情绪分类 | 第39-58页 |
| 4.1 引言 | 第39页 |
| 4.2 脑电信号的符号化表示学习方法 | 第39-45页 |
| 4.3 基于脑电符号化表示学习的特征提取及情绪分类 | 第45-52页 |
| 4.3.1 基于N元文法模型的脑电情绪分类 | 第47-48页 |
| 4.3.2 主题模式挖掘 | 第48-50页 |
| 4.3.3 异常模式挖掘 | 第50-52页 |
| 4.4 实验及分析 | 第52-57页 |
| 4.4.1 实验数据集及实验设置 | 第52-53页 |
| 4.4.2 实验结果与分析 | 第53-57页 |
| 4.5 本章小结 | 第57-58页 |
| 结论 | 第58-59页 |
| 参考文献 | 第59-64页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第64-66页 |
| 致谢 | 第66页 |