| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 引言 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.2 国内外研究现状以及不足 | 第11-13页 |
| 1.3 论文研究内容及创新点 | 第13-14页 |
| 1.4 论文的结构 | 第14-15页 |
| 第二章 构建生理信号数据库与特征选择 | 第15-25页 |
| 2.1 构建生理信号数据库 | 第15-20页 |
| 2.1.1 情感唤起素材 | 第15-16页 |
| 2.1.2 生理信号采集方案 | 第16-18页 |
| 2.1.3 情感生理数据库的建立 | 第18-20页 |
| 2.2 信号预处理 | 第20-22页 |
| 2.2.1 心电信号的特点 | 第20-21页 |
| 2.2.2 小波去噪及波形检测 | 第21-22页 |
| 2.3 心电和皮肤电电信号中的最佳特征组合选择方法 | 第22-24页 |
| 2.4 小结 | 第24-25页 |
| 第三章 SA-IPSO-SVM算法及其在情感识别中的应用 | 第25-43页 |
| 3.1 支持向量机简介 | 第25-27页 |
| 3.2 粒子群算法优化的支持向量机 | 第27-36页 |
| 3.2.1 粒子群优化算法简介 | 第28-29页 |
| 3.2.2 免疫粒子群算法(IPSO) | 第29-33页 |
| 3.2.3 引入模拟退火机制的免疫粒子群算法(SA-IPSO) | 第33-36页 |
| 3.3 SA-IPSO算法优化的支持向量机 | 第36-42页 |
| 3.3.1 改进的支持向量机在情感识别中的应用 | 第37-40页 |
| 3.3.2 改进的粒子群算法在实时情感识别中的应用 | 第40-42页 |
| 3.4 本章小结 | 第42-43页 |
| 第四章 SA-ACO-SVM算法及其在情感识别中的应用 | 第43-55页 |
| 4.1 蚁群算法理论 | 第43-45页 |
| 4.1.1 蚁群算法概述 | 第43-45页 |
| 4.2 模拟退火算法优化的ACO算法 | 第45-47页 |
| 4.3 SA-ACO-SVM算法的基本思路 | 第47-49页 |
| 4.4 SA-ACO-SVM算法流程 | 第49页 |
| 4.5 SA-ACO-SVM算法在情感识别中的应用 | 第49-53页 |
| 4.6 本章小结 | 第53-55页 |
| 第五章 总结与展望 | 第55-57页 |
| 5.1 总结 | 第55页 |
| 5.2 展望 | 第55-57页 |
| 参考文献 | 第57-63页 |
| 致谢 | 第63-65页 |
| 攻读硕士期间研究成果及发表的学术论文 | 第65页 |
