基于深度学习的音乐感知研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 课题的研究背景与意义 | 第8页 |
| 1.2 国内外研究现状 | 第8-12页 |
| 1.2.1 深度学习的国内外现状 | 第8-10页 |
| 1.2.2 音乐感知的国内外现状 | 第10页 |
| 1.2.3 脑电的音乐感知研究现状 | 第10-12页 |
| 1.3 研究内容与论文结构 | 第12-14页 |
| 第二章 深度学习的基本理论与模型 | 第14-18页 |
| 2.1 深度学习的基本理论 | 第14页 |
| 2.2 深度学习的典型模型 | 第14-17页 |
| 2.2.1 自动编码器 | 第14-15页 |
| 2.2.2 循环神经网络 | 第15-16页 |
| 2.2.3 深度信念网络 | 第16-17页 |
| 2.3 本章小结 | 第17-18页 |
| 第三章 音乐感知的脑电采集与预处理 | 第18-37页 |
| 3.1 音乐感知的脑电信号采集 | 第18-22页 |
| 3.1.1 筛选实验对象 | 第18-19页 |
| 3.1.2 音乐作品选取 | 第19页 |
| 3.1.3 实验环境搭建 | 第19-21页 |
| 3.1.3.1 电极安放准则 | 第19-20页 |
| 3.1.3.2 实验采集设备 | 第20-21页 |
| 3.1.4 数据采集 | 第21-22页 |
| 3.2 脑电信号去噪的改进算法 | 第22-36页 |
| 3.2.1 常见噪声种类 | 第22-23页 |
| 3.2.2 基于CNN的脑电噪声检测 | 第23-26页 |
| 3.2.2.1 CNN原理 | 第23-24页 |
| 3.2.2.2 噪声检测实现过程 | 第24-26页 |
| 3.2.3 基于HHT和FastICA的噪声去除 | 第26-35页 |
| 3.2.3.1 算法原理 | 第26-28页 |
| 3.2.3.2 去噪流程及仿真 | 第28-35页 |
| 3.2.4 脑电信号预处理的效果评价 | 第35-36页 |
| 3.3 本章小结 | 第36-37页 |
| 第四章 基于DBN的脑电特征优化提取与分类 | 第37-50页 |
| 4.1 特征数据的优化选取 | 第37-42页 |
| 4.1.1 基于频带能量比例的特征选取 | 第37-41页 |
| 4.1.2 基于滑动样本熵的特征选取 | 第41-42页 |
| 4.2 基于DBN的脑电分类 | 第42-49页 |
| 4.2.1 DBN的结构与原理 | 第42-44页 |
| 4.2.2 RBM基本原理 | 第44-46页 |
| 4.2.3 基于RBM的特征提取 | 第46-47页 |
| 4.2.3.1 频带能量比例的特征提取 | 第46页 |
| 4.2.3.2 滑动样本熵的特征提取 | 第46-47页 |
| 4.2.3.3 参数的设置 | 第47页 |
| 4.2.4 softmax基本原理 | 第47-48页 |
| 4.2.5 基于softmax的脑电分类 | 第48-49页 |
| 4.3 本章小结 | 第49-50页 |
| 第五章 实验结果与对比分析 | 第50-56页 |
| 5.1 实验方法讨论 | 第50-52页 |
| 5.1.1 网络层数讨论 | 第50-51页 |
| 5.1.2 不同分类方法的效果讨论 | 第51-52页 |
| 5.2 音乐感知的分类结果统计分析 | 第52-55页 |
| 5.2.1 自闭症儿童脑电的音乐感知结果 | 第52-54页 |
| 5.2.2 健康儿童脑电的音乐感知结果 | 第54-55页 |
| 5.2.3 交叉对比分析 | 第55页 |
| 5.2.4 分析结论 | 第55页 |
| 5.3 本章小结 | 第55-56页 |
| 第六章 总结与展望 | 第56-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 攻读硕士学位期间的科研成果 | 第62页 |
