基于眼动与脑电的抑郁特征分析与分类研究
| 中文摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第11-21页 |
| 1.1 研究背景 | 第11-14页 |
| 1.1.1 抑郁症概述 | 第11-12页 |
| 1.1.2 眼动信号概述 | 第12-13页 |
| 1.1.3 EEG脑电信号概述 | 第13-14页 |
| 1.2 研究现状 | 第14-18页 |
| 1.2.1 抑郁症注意偏向研究 | 第14-15页 |
| 1.2.2 情绪冲突研究 | 第15-16页 |
| 1.2.3 基于眼动、脑电信号的抑郁识别研究 | 第16-18页 |
| 1.3 本文研究内容及意义 | 第18-19页 |
| 1.4 论文组织 | 第19-21页 |
| 第二章 实验范式与数据采集 | 第21-25页 |
| 2.1 被试选择 | 第21页 |
| 2.2 实验材料与范式 | 第21-23页 |
| 2.3 数据采集设备 | 第23-24页 |
| 2.3.1 眼动信号采集设备 | 第23页 |
| 2.3.2 脑电信号采集设备 | 第23-24页 |
| 2.4 数据采集流程 | 第24页 |
| 2.5 小结 | 第24-25页 |
| 第三章 眼动、脑电信号分析方法概述 | 第25-36页 |
| 3.1 脑电信号简介 | 第25页 |
| 3.2 脑电数据预处理 | 第25-28页 |
| 3.2.1 预处理流程 | 第25-27页 |
| 3.2.2 独立成分分析 | 第27-28页 |
| 3.3 大脑功能网络 | 第28-32页 |
| 3.3.1 大脑功能连接构建 | 第28-29页 |
| 3.3.2 脑网络全局属性 | 第29-30页 |
| 3.3.3 小世界网络属性 | 第30-31页 |
| 3.3.4 脑网络局部属性 | 第31-32页 |
| 3.4 分类算法 | 第32-35页 |
| 3.4.1 朴素贝叶斯 | 第33页 |
| 3.4.2 逻辑回归 | 第33-34页 |
| 3.4.3 支持向量机 | 第34页 |
| 3.4.4 K近邻 | 第34-35页 |
| 3.4.5 随机森林 | 第35页 |
| 3.5 小结 | 第35-36页 |
| 第四章 基于眼动的注意偏向研究 | 第36-44页 |
| 4.1 人口学数据 | 第36页 |
| 4.2 行为数据 | 第36-39页 |
| 4.2.1 反应时间 | 第37-38页 |
| 4.2.2 准确率 | 第38-39页 |
| 4.3 眼动数据 | 第39-41页 |
| 4.3.1 初次注视潜伏期 | 第39页 |
| 4.3.2 初次注视时间 | 第39-40页 |
| 4.3.3 总注视时间 | 第40-41页 |
| 4.4 讨论 | 第41-43页 |
| 4.5 小结 | 第43-44页 |
| 第五章 基于情绪冲突任务的功能脑网络分析 | 第44-57页 |
| 5.1 人口学数据 | 第44页 |
| 5.2 大脑功能网络构建 | 第44-46页 |
| 5.2.1 大脑功能连接矩阵构建 | 第45页 |
| 5.2.2 阈值与二值化 | 第45-46页 |
| 5.3 结果分析 | 第46-56页 |
| 5.3.1 大脑功能连接矩阵 | 第46-48页 |
| 5.3.2 全局特性 | 第48-50页 |
| 5.3.3 小世界网络 | 第50页 |
| 5.3.4 局部特性 | 第50-56页 |
| 5.4 小结 | 第56-57页 |
| 第六章 基于眼动、脑电信号的抑郁分类研究 | 第57-66页 |
| 6.1 基于眼动数据的抑郁分类 | 第57-60页 |
| 6.1.1 眼动数据预处理 | 第57-58页 |
| 6.1.2 特征选择 | 第58-59页 |
| 6.1.3 分类结果 | 第59-60页 |
| 6.2 基于脑网络全局属性的抑郁分类 | 第60-61页 |
| 6.3 融合眼动及脑网络全局属性的抑郁分类 | 第61-63页 |
| 6.3.1 CFS+Best First选择策略 | 第61-62页 |
| 6.3.2 统计选择策略 | 第62-63页 |
| 6.4 基于脑网络局部属性的抑郁分类 | 第63-64页 |
| 6.5 小结 | 第64-66页 |
| 第七章 总结与展望 | 第66-68页 |
| 7.1 论文工作总结 | 第66-67页 |
| 7.2 工作展望 | 第67-68页 |
| 参考文献 | 第68-73页 |
| 在学期间的研究成果 | 第73-74页 |
| 致谢 | 第74页 |
