| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第12-23页 |
| 1.1 研究背景与意义 | 第12-17页 |
| 1.2 国内外研究现状与不足 | 第17-22页 |
| 1.2.1 飞行员疲劳状况识别的研究现状 | 第17-21页 |
| 1.2.2 存在的不足 | 第21-22页 |
| 1.3 本文研究内容 | 第22-23页 |
| 第二章 脑电波特征提取方法与技术 | 第23-35页 |
| 2.1 脑电波信号简介 | 第23-26页 |
| 2.2 小波包变换 | 第26-29页 |
| 2.2.1 小波包的定义和性质 | 第26-27页 |
| 2.2.2 小波包的子空间分解 | 第27-28页 |
| 2.2.3 小波包的分解和重构 | 第28-29页 |
| 2.3 脑电波信号的特征提取 | 第29-34页 |
| 2.3.1 主成分分析 | 第29-31页 |
| 2.3.2 自动编码器及其衍生编码器 | 第31-34页 |
| 2.4 本章小结 | 第34-35页 |
| 第三章 飞行员疲劳状况的识别方法 | 第35-44页 |
| 3.1 飞行员疲劳状况的定义及疲劳状况相关脑区 | 第35-39页 |
| 3.1.1 飞行员疲劳状况的定义 | 第35-36页 |
| 3.1.2 飞行员疲劳状况的相关脑区 | 第36-39页 |
| 3.2 飞行员疲劳状况识别方法 | 第39-43页 |
| 3.2.1 深度学习 | 第39-41页 |
| 3.2.2 反向误差传播算法 | 第41-42页 |
| 3.2.3 Softmax分类器 | 第42-43页 |
| 3.3 本章小结 | 第43-44页 |
| 第四章 飞行员疲劳实验与脑电波信号预处理 | 第44-49页 |
| 4.1 实验设计及脑电波信号的采集 | 第44-46页 |
| 4.2 脑电波信号的预处理 | 第46-48页 |
| 4.3 本章小结 | 第48-49页 |
| 第五章 基于深度学习脑电波信号的飞行员疲劳状况识别 | 第49-64页 |
| 5.1 基于深度稀疏自编码网络的飞行员疲劳状况识别模型 | 第49-58页 |
| 5.1.1 深度稀疏自编码网络模型 | 第49-51页 |
| 5.1.2 搭建飞行员疲劳状况识别模型 | 第51-55页 |
| 5.1.3 飞行员疲劳状况的识别 | 第55-58页 |
| 5.2 基于深度收缩自编码网络的飞行员疲劳状况识别模型 | 第58-63页 |
| 5.2.1 深度收缩自编码网络模型 | 第58-59页 |
| 5.2.2 搭建飞行员疲劳状况识别模型 | 第59-61页 |
| 5.2.3 飞行员疲劳状况的识别 | 第61-63页 |
| 5.3 本章小结 | 第63-64页 |
| 第六章 总结与展望 | 第64-67页 |
| 6.1 论文工作总结 | 第64-66页 |
| 6.1.1 主要工作 | 第64-65页 |
| 6.1.2 论文创新点 | 第65-66页 |
| 6.2 研究展望 | 第66-67页 |
| 参考文献 | 第67-73页 |
| 附录1 | 第73-75页 |
| 附录2 | 第75-77页 |
| 致谢 | 第77-78页 |
| 攻读硕士学位期间已发表或录用的论文 | 第78-80页 |
