| 摘要 | 第1-4页 |
| ABSTRACT | 第4-10页 |
| 第一章 绪论 | 第10-18页 |
| ·引言 | 第10-11页 |
| ·研究意义 | 第11-13页 |
| ·国内外研究现状 | 第13-16页 |
| ·国外研究概况 | 第13-15页 |
| ·国内研究概况 | 第15-16页 |
| ·本文具体内容与安排 | 第16-18页 |
| 第二章 基于多生理信号的压力状态下情绪识别 | 第18-33页 |
| ·基于多生理信号的压力状态下情绪识别模型的建立 | 第18-23页 |
| ·压力状态下情绪类别研究 | 第18-20页 |
| ·压力状态下情绪识别模型的建立 | 第20-23页 |
| ·生理信号的采集 | 第23-29页 |
| ·实验室情绪诱发数据采集实验 | 第25-28页 |
| ·赛艇运动员数据采集方案 | 第28-29页 |
| ·生理信号的预处理 | 第29-31页 |
| ·实验原始数据 | 第29页 |
| ·信号去噪 | 第29-30页 |
| ·基线信号去除 | 第30-31页 |
| ·生理信号的特征提取 | 第31页 |
| ·生理信号的特征选择 | 第31-32页 |
| ·本章小结 | 第32-33页 |
| 第三章 基于 PSO 特征选择的分类算法 | 第33-46页 |
| ·粒子群优化算法介绍 | 第33-36页 |
| ·粒子群算法原理 | 第33-34页 |
| ·粒子群算法步骤与流程 | 第34-35页 |
| ·离散二进制粒子群算法 | 第35-36页 |
| ·粒子群算法的应用及研究现状 | 第36页 |
| ·kNN 分类算法介绍 | 第36-38页 |
| ·SVM 分类算法介绍 | 第38-41页 |
| ·基本支持向量机（SVM） | 第38-40页 |
| ·最小二乘支持向量机（LS-SVM） | 第40-41页 |
| ·基于 PSO 特征选择优化的分类算法 | 第41-44页 |
| ·PSO-kNN 特征优化分类算法 | 第42-43页 |
| ·PSO-SVM 特征优化分类算法 | 第43-44页 |
| ·本章小结 | 第44-46页 |
| 第四章 结果与分析 | 第46-57页 |
| ·实验室情绪样本识别结果与分析 | 第46-50页 |
| ·实验室情绪诱发生理数据样本 | 第46页 |
| ·基于 PSO-kNN 算法的实验室情绪识别结果及分析 | 第46-48页 |
| ·基于 PSO-SVM 算法的实验室情绪识别结果及分析 | 第48-50页 |
| ·运动员情绪样本识别结果与分析 | 第50-55页 |
| ·赛艇运动员心理问卷结果分析及生理数据样本 | 第50-52页 |
| ·基于 PSO-kNN 算法的运动员情绪识别结果与分析 | 第52-54页 |
| ·基于 PSO-SVM 算法的运动员情绪识别结果与分析 | 第54-55页 |
| ·PSO-kNN、PSO-SVM 等算法结果综合分析 | 第55页 |
| ·本章小结 | 第55-57页 |
| 第五章 总结与展望 | 第57-59页 |
| ·总结 | 第57-58页 |
| ·展望 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 附录 1 | 第63-65页 |
| 致谢 | 第65-66页 |
| 攻读硕士学位期间已发表或录用的论文 | 第66-68页 |
