| 中文摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景 | 第10-13页 |
| 1.1.1 抑郁症概述 | 第10-11页 |
| 1.1.2 脑电信号概述 | 第11-12页 |
| 1.1.3 机器学习概述 | 第12-13页 |
| 1.2 研究现状 | 第13-16页 |
| 1.2.1 与抑郁症相关的脑电信号研究现状 | 第13-14页 |
| 1.2.2 传统机器学习算法在抑郁症脑电信号研究中的应用 | 第14-15页 |
| 1.2.3 深度学习在抑郁症脑电信号研究中的应用 | 第15-16页 |
| 1.3 研究内容及意义 | 第16页 |
| 1.4 论文组织结构 | 第16-18页 |
| 第二章 相关技术与方法 | 第18-26页 |
| 2.1 集成学习概述 | 第18-22页 |
| 2.1.1 支持向量机 | 第18-19页 |
| 2.1.2 决策树 | 第19-20页 |
| 2.1.3 随机森林 | 第20-21页 |
| 2.1.4 深度森林 | 第21-22页 |
| 2.1.5 k最近邻算法 | 第22页 |
| 2.2 深度学习概述 | 第22-25页 |
| 2.2.1 卷积层 | 第23-24页 |
| 2.2.2 池化层 | 第24页 |
| 2.2.3 全连接层 | 第24页 |
| 2.2.4 Softmax函数 | 第24页 |
| 2.2.5 常用的激活函数 | 第24-25页 |
| 2.3 本章小结 | 第25-26页 |
| 第三章 数据采集与预处理 | 第26-32页 |
| 3.1 情绪图片识别任务 | 第26-27页 |
| 3.1.1 被试对象 | 第26页 |
| 3.1.2 刺激材料与实验流程 | 第26-27页 |
| 3.2 脑电数据预处理 | 第27-30页 |
| 3.2.1 信号去噪 | 第27-28页 |
| 3.2.2 数据分割 | 第28-29页 |
| 3.2.3 特征向量构建 | 第29-30页 |
| 3.3 本章小结 | 第30-32页 |
| 第四章 统计分析与传统分类方法研究 | 第32-38页 |
| 4.1 统计分析结果 | 第32-34页 |
| 4.2 传统分类方法结果 | 第34-36页 |
| 4.3 本章小结 | 第36-38页 |
| 第五章 基于集成学习的抑郁症识别研究 | 第38-54页 |
| 5.1 模型概述 | 第38-40页 |
| 5.2 策略概述 | 第40-43页 |
| 5.2.1 基于固定特征的策略 | 第40-42页 |
| 5.2.2 基于固定时间窗口的策略 | 第42-43页 |
| 5.3 模型分类结果 | 第43-52页 |
| 5.3.1 基于固定特征策略的结果 | 第43-46页 |
| 5.3.2 基于固定时间窗口策略的结果 | 第46-49页 |
| 5.3.3 分类结果汇总分析 | 第49-52页 |
| 5.4 本章小结 | 第52-53页 |
| 附图 | 第53-54页 |
| 第六章 基于深度学习的抑郁症识别研究 | 第54-65页 |
| 6.1 图像变换 | 第54-55页 |
| 6.2 深度学习模型 | 第55-56页 |
| 6.3 经验模态分解 | 第56-58页 |
| 6.4 模型分类结果 | 第58-63页 |
| 6.4.1 基于FFT的分类结果 | 第58-59页 |
| 6.4.2 基于EMD的分类结果 | 第59-60页 |
| 6.4.3 分类结果汇总分析 | 第60-63页 |
| 6.5 本章小结 | 第63-64页 |
| 附图 | 第64-65页 |
| 第七章 总结与展望 | 第65-68页 |
| 7.1 工作总结 | 第65-66页 |
| 7.2 工作展望 | 第66-68页 |
| 参考文献 | 第68-74页 |
| 在学期间研究成果 | 第74-75页 |
| 致谢 | 第75页 |