基于脑电信号混合特征提取的情绪识别模型研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第13-20页 |
| 1.1 研究背景与意义 | 第13-15页 |
| 1.2 国内外研究现状 | 第15-18页 |
| 1.3 论文主要研究内容 | 第18页 |
| 1.4 论文组织结构 | 第18-20页 |
| 第二章 相关基础理论与实验数据介绍 | 第20-31页 |
| 2.1 EEG信号的基础理论 | 第20-24页 |
| 2.1.1 大脑的结构及功能 | 第20-21页 |
| 2.1.2 脑电信号的特点 | 第21-22页 |
| 2.1.3 脑电信号的分类 | 第22-24页 |
| 2.2 情绪的基础理论 | 第24-26页 |
| 2.2.1 情绪理论模型 | 第24-25页 |
| 2.2.2 情绪诱发 | 第25-26页 |
| 2.3 SEED数据库 | 第26-30页 |
| 2.3.1 SEED数据库概述 | 第26-27页 |
| 2.3.2 实验刺激材料 | 第27-28页 |
| 2.3.3 受试者、实验环境和实验设备 | 第28-29页 |
| 2.3.4 实验流程和规则 | 第29-30页 |
| 2.3.5 SEED数据使用说明 | 第30页 |
| 2.4 本章小结 | 第30-31页 |
| 第三章 基于EEG信号的特征分析与研究 | 第31-57页 |
| 3.1 特征分析步骤说明 | 第31-32页 |
| 3.2 时频域特征提取 | 第32-44页 |
| 3.2.1 小波变换相关理论 | 第33-34页 |
| 3.2.2 小波包变换相关理论 | 第34-37页 |
| 3.2.3 基于小波包变换的频带提取 | 第37-39页 |
| 3.2.4 功率谱密度特征提取 | 第39-43页 |
| 3.2.5 频带能量特征提取 | 第43-44页 |
| 3.3 混沌特征参量提取 | 第44-52页 |
| 3.3.1 混沌的定义 | 第44-45页 |
| 3.3.2 相空间重构 | 第45-49页 |
| 3.3.3 关联维数 | 第49-51页 |
| 3.3.4 最大Lyapunov指数 | 第51-52页 |
| 3.4 混合特征选择 | 第52-56页 |
| 3.5 本章小结 | 第56-57页 |
| 第四章 基于支持向量机的情绪识别模型优化 | 第57-73页 |
| 4.1 支持向量机 | 第57-65页 |
| 4.1.1 支持向量机基础理论 | 第57-60页 |
| 4.1.2 最小二乘支持向量机 | 第60-61页 |
| 4.1.3 常用核函数介绍 | 第61-62页 |
| 4.1.4 SVM解决多分类问题 | 第62-65页 |
| 4.2 支持向量机分类模型训练 | 第65-69页 |
| 4.2.1 支持向量机参数说明 | 第65-66页 |
| 4.2.2 支持向量机分类模型训练 | 第66-69页 |
| 4.3 支持向量机决策模型优化 | 第69-72页 |
| 4.4 本章小结 | 第72-73页 |
| 第五章 情绪识别实验结果分析与讨论 | 第73-80页 |
| 5.1 实验数据及环境 | 第73页 |
| 5.2 特征选择和降维效果讨论 | 第73-76页 |
| 5.3 决策模型优化效果讨论 | 第76-77页 |
| 5.4 不同特征分类效果讨论 | 第77-79页 |
| 5.5 本章小结 | 第79-80页 |
| 第六章 总结与展望 | 第80-82页 |
| 6.1 总结 | 第80-81页 |
| 6.2 展望 | 第81-82页 |
| 参考文献 | 第82-87页 |
| 硕士期间发表学术论文情况 | 第87-88页 |
| 致谢 | 第88页 |
