卒中后抑郁视频数据分析
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景 | 第10-11页 |
| 1.1.1 抑郁症身心危害 | 第10页 |
| 1.1.2 传统抑郁症诊断手段及缺陷 | 第10-11页 |
| 1.1.3 表情分析临床应用 | 第11页 |
| 1.2 抑郁症表情研究现状 | 第11-13页 |
| 1.2.1 抑郁症表情研究可行性 | 第11-12页 |
| 1.2.2 抑郁检测由静态图片转向视频分析 | 第12页 |
| 1.2.3 抑郁症表情研究进展及三大假设 | 第12-13页 |
| 1.3 本文主要内容和结构 | 第13-16页 |
| 第二章 卒中后抑郁视频数据预处理 | 第16-26页 |
| 2.1 抑郁视频录制方案 | 第16页 |
| 2.2 抑郁视频数据基本信息 | 第16-17页 |
| 2.3 视频数据预处理 | 第17-18页 |
| 2.4 抑郁视频数据分析流程 | 第18-21页 |
| 2.4.1 患者面部检测与特征点标定 | 第19-20页 |
| 2.4.2 抑郁患者面部对齐处理 | 第20-21页 |
| 2.5 患者抑郁表情分析单位-AU | 第21-22页 |
| 2.6 AU训练数据库 | 第22-24页 |
| 2.6.1 DISFA数据库 | 第22-24页 |
| 2.6.2 其他数据库 | 第24页 |
| 2.7 本章小结 | 第24-26页 |
| 第三章 抑郁视频单帧AU运动检测 | 第26-44页 |
| 3.1 抑郁症单帧表情特征提取 | 第26-32页 |
| 3.1.1 抑郁患者纹理特征提取 | 第26-27页 |
| 3.1.2 基于PCA的特征降维 | 第27-29页 |
| 3.1.3 面向抑郁症群体的几何特征提取 | 第29-30页 |
| 3.1.4 分类器性能指标 | 第30-31页 |
| 3.1.5 SIFT特征和几何特征分类器性能比较 | 第31-32页 |
| 3.2 基于SVM的单帧AU分类器 | 第32-39页 |
| 3.2.1 经验风险和结构风险 | 第32-33页 |
| 3.2.2 支持向量机理论 | 第33-36页 |
| 3.2.3 抑郁表情AU分类器SVM参数选择 | 第36-37页 |
| 3.2.4 训练数据集正负样本偏斜 | 第37-39页 |
| 3.3 AU出现概率估计 | 第39-40页 |
| 3.4 抑郁视频AU概率估计结果展示 | 第40-42页 |
| 3.4.1 单帧概率估计结果 | 第40-41页 |
| 3.4.2 DISFA数据库视频概率估计结果 | 第41页 |
| 3.4.3 抑郁症视频概率估计结果 | 第41-42页 |
| 3.5 本章小结 | 第42-44页 |
| 第四章 基于HMM的视频特征提取 | 第44-56页 |
| 4.1 HMM理论 | 第44-45页 |
| 4.2 HMM抑郁视频序列分析流程 | 第45-46页 |
| 4.3 EM算法估计AU检测的HMM参数 | 第46-48页 |
| 4.3.1 EM算法优化隐含变量 | 第46-47页 |
| 4.3.2 抑郁症视频HMM参数与DISFA对比 | 第47-48页 |
| 4.4 Viterbi算法估计AU的最佳隐藏状态 | 第48-52页 |
| 4.4.1 Viterbi估计AU隐藏状态 | 第48-50页 |
| 4.4.2 Viterbi算法结果展示 | 第50-52页 |
| 4.5 基于单帧与基于视频的AU检测精确度比较 | 第52-53页 |
| 4.6 抑郁症视频特征提取 | 第53-54页 |
| 4.7 本章小结 | 第54-56页 |
| 第五章 抑郁视频特征挖掘及抑郁程度预测 | 第56-64页 |
| 5.1 AU各维度特征与抑郁程度关系挖掘 | 第56-58页 |
| 5.1.1 单独AU抑郁特征挖掘 | 第56-57页 |
| 5.1.2 笑容抑制抑郁特征挖掘 | 第57-58页 |
| 5.2 抑郁症典型面部运动挖掘验证假设 | 第58-59页 |
| 5.3 基于表情特征的视频抑郁程度预测 | 第59-63页 |
| 5.3.1 基于回归分析的抑郁程度预测 | 第60-61页 |
| 5.3.2 基于KNN分类的预测模型 | 第61-63页 |
| 5.4 抑郁程度预测模型评价 | 第63页 |
| 5.5 本章小结 | 第63-64页 |
| 第六章 总结与展望 | 第64-66页 |
| 6.1 论文工作总结 | 第64页 |
| 6.2 展望 | 第64-66页 |
| 致谢 | 第66-68页 |
| 参考文献 | 第68-71页 |
