發(fā)布時(shí)間：2021-05-14 10:20

　　生活節(jié)奏的加快使得人們的睡眠健康和情緒處理出現(xiàn)了諸多問(wèn)題,因此,睡眠分期和情感識(shí)別成為了當(dāng)今科研工作者關(guān)注的熱點(diǎn)之一。睡眠分期和情感識(shí)別可以作為輔助手段,為失眠、抑郁癥、焦慮不安等精神疾病的診斷提供可靠地參考意見(jiàn)。大量的研究表明現(xiàn)有算法存在以下不足:1)經(jīng)典分類算法多以二分類為主,當(dāng)進(jìn)行多類問(wèn)題的研究時(shí),需要進(jìn)行多次二分類處理,時(shí)間復(fù)雜度高;2)經(jīng)典分類算法分類準(zhǔn)確率相對(duì)偏低,無(wú)法滿足睡眠分期和情感識(shí)別等研究所要求的分類準(zhǔn)確率;3)常見(jiàn)的經(jīng)典算法大多只能解決二分類的問(wèn)題,算法結(jié)構(gòu)也需要改進(jìn)。針對(duì)上述問(wèn)題,論文設(shè)計(jì)并提出了兩種多分類算法用于睡眠分期和情感識(shí)別的研究,解決了傳統(tǒng)算法不能直接應(yīng)用于多分類研究的問(wèn)題。論文對(duì)算法的結(jié)構(gòu)進(jìn)行改進(jìn),使得算法的復(fù)雜度降低,同時(shí)提高了算法的分類準(zhǔn)確率,在睡眠分期和情感識(shí)別的研究中取得了不錯(cuò)的成果。論文主要研究?jī)?nèi)容如下:（1）論文將決策樹(shù)和最小二乘支持向量機(jī)（LSSVM）算法進(jìn)行結(jié)合,提出了一種基于決策樹(shù)和最小二乘支持向量機(jī)算法（DLSVM）。用LSSVM代替決策樹(shù)中的葉子結(jié)點(diǎn),可直接應(yīng)用于多類問(wèn)題的研究。DLSVM算法有以下優(yōu)勢(shì):一方面可以減少干擾因素,... 

【文章來(lái)源】：山東師范大學(xué)山東省

【文章頁(yè)數(shù)】：49 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景與意義
    1.2 研究?jī)?nèi)容及組織
        1.2.1 論文研究?jī)?nèi)容
        1.2.2 論文創(chuàng)新點(diǎn)
        1.2.3 論文組織結(jié)構(gòu)
第二章 睡眠分期和情感識(shí)別方法研究現(xiàn)狀
    2.1 睡眠自動(dòng)分期方法
        2.1.1 睡眠與腦電節(jié)律波
        2.1.2 睡眠分期流程
        2.1.3 小波變換
        2.1.4 主成分分析(PCA)算法
        2.1.5 研究現(xiàn)狀
    2.2 情感識(shí)別方法
        2.2.1 情感識(shí)別簡(jiǎn)介
        2.2.2 情感識(shí)別模型
        2.2.3 研究現(xiàn)狀
    2.3 評(píng)價(jià)指標(biāo)
    2.4 數(shù)據(jù)集
        2.4.1 睡眠分期數(shù)據(jù)集
        2.4.2 情感識(shí)別數(shù)據(jù)集
    2.5 本章小結(jié)
第三章 基于決策樹(shù)和最小二乘支持向量機(jī)算法及應(yīng)用
    3.1 決策樹(shù)
    3.2 最小二乘支持向量機(jī)算法
    3.3 基于決策樹(shù)和最小二乘支持向量機(jī)算法
    3.4 DLSVM算法應(yīng)用與結(jié)果分析
        3.4.1 睡眠自動(dòng)分期實(shí)驗(yàn)結(jié)果與分析
        3.4.2 情感識(shí)別實(shí)驗(yàn)結(jié)果與分析
    3.5 本章小結(jié)
第四章 基于分層結(jié)構(gòu)與Adaboost多分類算法及應(yīng)用
    4.1 Adaboost分類算法
        4.1.1 Adaboost算法原理
        4.1.2 Adaboost算法性能分析
    4.2 基于分層結(jié)構(gòu)與Adaboost的多分類算法
    4.3 HAdaboost算法應(yīng)用與結(jié)果分析
        4.3.1 睡眠自動(dòng)分期實(shí)驗(yàn)結(jié)果與分析
        4.3.2 情感識(shí)別實(shí)驗(yàn)結(jié)果與分析
    4.4 幾種算法的比較
    4.5 本章小結(jié)
第五章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間的主要成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于優(yōu)化的LSTSVM的多模態(tài)生理信號(hào)情感識(shí)別[J]. 金純,陳光勇.  電子技術(shù)應(yīng)用. 2018(03)
[2]一種改進(jìn)腦電特征提取算法及其在情感識(shí)別中的應(yīng)用[J]. 李昕,蔡二娟,田彥秀,孫小棋,范夢(mèng)頔.  生物醫(yī)學(xué)工程學(xué)雜志. 2017(04)
[3]基于腦電情緒識(shí)別的研究現(xiàn)狀[J]. 張本禹,蔣惠萍,董林杉.  中央民族大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(03)
[4]基于EMD和SVM的抑郁癥靜息態(tài)腦電信號(hào)分類研究[J]. 劉巖,李幼軍,陳萌.  山東大學(xué)學(xué)報(bào)(工學(xué)版). 2017(03)
[5]基于決策樹(shù)和改進(jìn)SVM混合模型的語(yǔ)音情感識(shí)別[J]. 趙涓涓,馬瑞良,張小龍.  北京理工大學(xué)學(xué)報(bào). 2017(04)
[6]基于雙向遞歸神經(jīng)網(wǎng)絡(luò)的單通道腦電圖睡眠分期研究[J]. 楊鑫,吳之南,錢(qián)松榮.  微型電腦應(yīng)用. 2017(01)
[7]計(jì)算機(jī)輔助診斷在醫(yī)學(xué)影像診斷中的基本原理和應(yīng)用進(jìn)展[J]. 高歌,馬帥,王霄英.  放射學(xué)實(shí)踐. 2016(12)
[8]基于腦電信號(hào)特征提取的睡眠分期方法研究[J]. 李斐,馬千里.  計(jì)算機(jī)技術(shù)與發(fā)展. 2017(01)
[9]基于改進(jìn)的K均值聚類算法的睡眠自動(dòng)分期研究[J]. 肖姝源,王蓓,張見(jiàn),張群峰,鄒俊忠.  生物醫(yī)學(xué)工程學(xué)雜志. 2016(05)
[10]基于多級(jí)SVM分類的語(yǔ)音情感識(shí)別算法[J]. 任浩,葉亮,李月,沙學(xué)軍.  計(jì)算機(jī)應(yīng)用研究. 2017(06)

碩士論文
[1]基于EEG的睡眠分期與睡眠評(píng)估方法研究[D]. 高群霞.華南理工大學(xué) 2015
[2]基于腦電信號(hào)樣本熵的情感識(shí)別[D]. 李立.太原理工大學(xué) 2014



本文編號(hào)：3185475