| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 选题背景及研究意义 | 第9-11页 |
| 1.1.1 选题背景 | 第9-10页 |
| 1.1.2 研究意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11页 |
| 1.3 情感识别目前存在的问题 | 第11-12页 |
| 1.4 本文所做的工作及论文安排 | 第12-14页 |
| 1.4.1 本文主要组织结构 | 第12-14页 |
| 第二章 情感识别技术的基础 | 第14-27页 |
| 2.1 情感模型 | 第14-15页 |
| 2.2 情感诱发方式 | 第15页 |
| 2.3 情感数据库的建立 | 第15-21页 |
| 2.3.1 DEAP数据库建立 | 第15-21页 |
| 2.3.1.1 建立过程 | 第16-17页 |
| 2.3.1.2 实验诱导材料的选择 | 第17-19页 |
| 2.3.1.3 情感标注 | 第19-21页 |
| 2.4 计算模型 | 第21-22页 |
| 2.4.1 用户依赖模型(User-Dependent model简称UD) | 第21-22页 |
| 2.4.2 用户独立模型(User-Independent model简称UI) | 第22页 |
| 2.5 分类器的使用 | 第22-26页 |
| 2.5.1 K近邻算法(KNN) | 第22-23页 |
| 2.5.2 支持向量机(SVM) | 第23-25页 |
| 2.5.3 随机森林(RF) | 第25-26页 |
| 2.6 情感识别评价指标 | 第26页 |
| 2.6.1 精确度 | 第26页 |
| 2.6.2 F1-score | 第26页 |
| 2.7 本章小结 | 第26-27页 |
| 第三章 生理信号的处理 | 第27-36页 |
| 3.1 脑电信号概述 | 第27-33页 |
| 3.1.1 常用的脑电信号处理方法 | 第27-30页 |
| 3.1.1.1 时域信号处理 | 第27-28页 |
| 3.1.1.2 频域信号处理 | 第28-29页 |
| 3.1.1.3 时频域信号处理 | 第29-30页 |
| 3.1.2 本实验脑电信号的处理 | 第30-33页 |
| 3.2 外周生理信号概述 | 第33-35页 |
| 3.2.1 外周生理信号的处理 | 第33-35页 |
| 3.3 本章小结 | 第35-36页 |
| 第四章 多模态生理信号特征融合算法 | 第36-41页 |
| 4.1 典型相关算法(CCA)特征融合算法 | 第36-38页 |
| 4.1.1 CCA问题刻画 | 第36-37页 |
| 4.1.2 CCA算法计算 | 第37-38页 |
| 4.2 判别典型相关分析(DCCA)特征融合算法 | 第38-40页 |
| 4.2.1 DCCA问题刻画 | 第39-40页 |
| 4.2.2 DCCA算法计算 | 第40页 |
| 4.3 本章小结 | 第40-41页 |
| 第五章 实验结果与分析 | 第41-61页 |
| 5.1 实验设置 | 第41-42页 |
| 5.2 采用CCA特征融合方式进行情感识别结果 | 第42-50页 |
| 5.2.1 基于CCA算法的UD计算模型 | 第42-46页 |
| 5.2.1.1 基于UD的精确度分析 | 第42-45页 |
| 5.2.1.2 基于UD模型的F1-score分析 | 第45-46页 |
| 5.2.2 基于CCA算法的UI计算模型 | 第46-50页 |
| 5.2.2.1 基于UI模型的精确度分析 | 第46-49页 |
| 5.2.2.2 基于UI模型的F1系数分析 | 第49-50页 |
| 5.3 采用DCCA特征融合方式进行情感识别结果 | 第50-58页 |
| 5.3.1 基于DCCA特征融合方式的UD计算模型 | 第50-54页 |
| 5.3.1.1 基于UD模型的精确度分析 | 第50-53页 |
| 5.3.1.2 基于UD模型的F1系数分析 | 第53-54页 |
| 5.3.2 采用DCCA特征融合方式的UI计算模型 | 第54-58页 |
| 5.3.2.1 基于UI模型的精确度分析 | 第54-57页 |
| 5.3.2.2 基于UI模型的F1系数分析 | 第57-58页 |
| 5.4 实验结果总结 | 第58-59页 |
| 5.5 传统特征融合方式识别结果 | 第59页 |
| 5.6 本章小结 | 第59-61页 |
| 第六章 总结和展望 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 致谢 | 第66页 |
