賦予機(jī)器情感以及對(duì)于情緒識(shí)別的研究是當(dāng)今時(shí)代的一個(gè)熱點(diǎn)話題。情緒識(shí)別的數(shù)據(jù)要利用EEG技術(shù)獲得,但是隨著硬件技術(shù)的發(fā)展,為了獲取盡量豐富的腦電信息和較高精度的數(shù)據(jù),通常利用多通道(32、64或128通道)高精度的腦電采集設(shè)備。通過(guò)增加采集腦電設(shè)備的通道數(shù)和采樣頻率,一方面增加了腦電采集設(shè)備的成本、也增加了設(shè)計(jì)難度和操作復(fù)雜度,一方面大量的腦電數(shù)據(jù)會(huì)導(dǎo)致計(jì)算量過(guò)大,影響情緒識(shí)別的實(shí)時(shí)性。快速的處理大量的腦電數(shù)已成為基于腦電信號(hào)的情緒識(shí)別的一個(gè)研究重點(diǎn)。在基于腦電信號(hào)特征提取算法中,常用的是小波包分解和小波分解。為了解決利用傳統(tǒng)Mallat算法進(jìn)行分解、重構(gòu)的復(fù)雜性,本文在Mallat算法基礎(chǔ)上,應(yīng)用“半小波包”的概念,形成將小波分解與小波包分解相結(jié)合的“半小波包分解”算法,解決了小波分解只對(duì)低頻信號(hào)有效以及小波包分解的冗余問(wèn)題。首次利用半小波包和改進(jìn)Mallat算法的卷積過(guò)程對(duì)DEAP數(shù)據(jù)庫(kù)中的腦電信號(hào)進(jìn)行分解重構(gòu),在保證準(zhǔn)確度的基礎(chǔ)上,優(yōu)化后的Mallat算法達(dá)到了分解信號(hào)高速率、分解算法低復(fù)雜度的效果,與未優(yōu)化的Mallat算法相比,優(yōu)化后的Mallat算法大概只需要傳統(tǒng)Mallat...

【文章頁(yè)數(shù)】：68 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景與意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 腦電信號(hào)的研究現(xiàn)狀
        1.2.2 情緒識(shí)別的研究現(xiàn)狀
        1.2.3 并行計(jì)算的研究現(xiàn)狀
    1.3 論文的主要內(nèi)容
    1.4 本文結(jié)構(gòu)
第2章 基于腦電信號(hào)的情緒識(shí)別原理
    2.1 腦電的概念
    2.2 腦電數(shù)據(jù)的處理
        2.2.1 腦電信號(hào)來(lái)源
        2.2.2 腦電信號(hào)的預(yù)處理
        2.2.3 腦電信號(hào)特征提取與選擇
    2.3 情緒識(shí)別
    2.4 本章小結(jié)
第3章 基于DAUBECHIES小波的腦電特征提取與選擇
    3.1 原理與方法
        3.1.1 腦電信號(hào)提取原理
        3.1.2 離散小波變換原理(Daubechies小波)
        3.1.3 Mallat算法原理
    3.2 MALLAT算法改進(jìn)
        3.2.1 改進(jìn)小波包
        3.2.2 卷積過(guò)程的改進(jìn)
        3.2.3 信號(hào)重構(gòu)
    3.3 基于主成分分析算法對(duì)ALPHA、GAMMA頻段進(jìn)行特征提取
        3.3.1 提取Alpha、Gamma頻段的頻域特征
        3.3.2 基于主成分分析算法進(jìn)行特征選擇
    3.4 實(shí)驗(yàn)結(jié)果
    3.5 本章小結(jié)
第4章 基于并行加速M(fèi)ALLAT算法及特征值提取與選擇
    4.1 CUDA體系架構(gòu)及其運(yùn)行方式
        4.1.1 CUDA體系結(jié)構(gòu)
        4.1.2 CUDA運(yùn)行方式
    4.2 CUDA加速特征值提取和特征選擇
        4.2.1 實(shí)驗(yàn)平臺(tái)
        4.2.2 CUDA加速改進(jìn)Mallat算法
        4.2.3 CUDA加速基于Alpha、Gamma頻段的特征提取
        4.2.4 CUDA加速基于Alpha、Gamma頻段的特征選擇
    4.3 結(jié)果分析
    4.4 本章小結(jié)
第5章 基于深度學(xué)習(xí)的情緒識(shí)別
    5.1 DEAP數(shù)據(jù)庫(kù)標(biāo)簽數(shù)據(jù)轉(zhuǎn)換
    5.2 基于深度信念網(wǎng)絡(luò)的情緒識(shí)別
        5.2.1 受限玻爾茲曼機(jī)
        5.2.2 深度信念網(wǎng)絡(luò)
    5.3 基于多預(yù)測(cè)深度玻爾茲曼機(jī)的情緒識(shí)別
        5.3.1 深度玻爾茲曼機(jī)
        5.3.2 多預(yù)測(cè)深度玻爾茲曼機(jī)
    5.4 本章小結(jié)
第6章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間取得的成果
致謝



本文編號(hào)：3821966