| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 课题研究背景及意义 | 第10-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.3 主要研究内容和论文结构 | 第15-17页 |
| 1.3.1 本文主要研究内容 | 第15-16页 |
| 1.3.2 论文章节安排与介绍 | 第16-17页 |
| 第二章 脑电信号与情绪研究 | 第17-23页 |
| 2.1 情绪概述 | 第17-19页 |
| 2.1.1 情绪模型研究 | 第17-18页 |
| 2.1.2 情绪诱发方式 | 第18-19页 |
| 2.2 脑电信号的研究 | 第19-22页 |
| 2.2.1 大脑的结构与功能分区 | 第19-20页 |
| 2.2.2 脑电信号的概述 | 第20-22页 |
| 2.3 基于脑电的情绪识别系统 | 第22页 |
| 2.4 本章小结 | 第22-23页 |
| 第三章 基于多特征融合的情绪识别 | 第23-45页 |
| 3.1 DEAP情感数据库 | 第23-29页 |
| 3.1.1 数据库简介 | 第23-24页 |
| 3.1.2 DEAP实验范式 | 第24-26页 |
| 3.1.3 实验环境和实验流程 | 第26-28页 |
| 3.1.4 数据预处理 | 第28-29页 |
| 3.2 基于情绪识别的特征提取 | 第29-33页 |
| 3.2.1 时域特征提取 | 第29-30页 |
| 3.2.2 基于小波特征和信息熵的复合特征提取 | 第30-33页 |
| 3.2.3 特征归一化 | 第33页 |
| 3.3 基于PCA算法的特征选择 | 第33-37页 |
| 3.3.1 主成分分析法 | 第34-35页 |
| 3.3.2 基于PCA的脑电数据降维 | 第35-37页 |
| 3.4 支持向量机 | 第37-39页 |
| 3.5 情绪分类结果与分析 | 第39-44页 |
| 3.5.1 时域特征融合结果与分析 | 第39-43页 |
| 3.5.2 小波特征与熵特征融合结果与分析 | 第43-44页 |
| 3.6 本章小结 | 第44-45页 |
| 第四章 基于情绪识别的通道选择研究 | 第45-58页 |
| 4.1 基于PCA-ReliefF的通道选择算法 | 第45-49页 |
| 4.1.1 基于PCA-ReliefF算法特征选择 | 第45-47页 |
| 4.1.2 基于EEG的通道选择 | 第47-48页 |
| 4.1.3 不依赖被试的通道选择 | 第48-49页 |
| 4.2 通道选择算法效果验证 | 第49-50页 |
| 4.3 通道选择结果与分析 | 第50-56页 |
| 4.3.1 通道权值排序 | 第50-52页 |
| 4.3.2 公共通道选择分析 | 第52-54页 |
| 4.3.3 情感脑区与电极分布 | 第54-55页 |
| 4.3.4 情感脑区验证结果 | 第55-56页 |
| 4.4 本章小结 | 第56-58页 |
| 第五章 总结与展望 | 第58-60页 |
| 5.1 本文工作总结 | 第58页 |
| 5.2 未来工作展望 | 第58-60页 |
| 参考文献 | 第60-65页 |
| 致谢 | 第65-66页 |
| 攻读硕士学位期间已发表、录用论文及参与科研项目情况 | 第66页 |