| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 1 绪论 | 第8-12页 |
| 1．1 脑电信号概述 | 第8-9页 |
| 1．2 ICA理论概述 | 第9-10页 |
| 1．3 本文的研究背景及意义 | 第10页 |
| 1．4 本文的主要工作 | 第10-12页 |
| 2 脑电信号的测量与处理 | 第12-21页 |
| 2．1 脑电信号的采集与处理 | 第12-17页 |
| 2．1．1 脑电图的基本特征和分类 | 第12-14页 |
| 2．1．2 脑电图的记录方法 | 第14-16页 |
| 2．1．3 脑电地形图 | 第16-17页 |
| 2．2 诱发电位信号的处理 | 第17-21页 |
| 2．2．1 传统提取技术——叠加技术 | 第18-20页 |
| 2．2．2 单次提取技术 | 第20-21页 |
| 3 独立分量分析的基本原理和典型算法 | 第21-46页 |
| 3．1 独立分量分析的基本原理 | 第21-25页 |
| 3．1．1 ICA的发展历史 | 第21-22页 |
| 3．1．2 ICA的数学模型 | 第22-24页 |
| 3．1．3 ICA的不确定性 | 第24页 |
| 3．1．4 数据的预处理 | 第24-25页 |
| 3．2 两种典型的ICA方法 | 第25-46页 |
| 3．2．1 基于峭度的快速固定点算法(FastICA) | 第25-32页 |
| 3．2．2 Infomax算法及扩展Infomax算法 | 第32-46页 |
| 4 基于遗传算法的独立分量分析 | 第46-63页 |
| 4．1 遗传算法概述 | 第46-53页 |
| 4．1．1 遗传算法的概念 | 第46-48页 |
| 4．1．2 遗传算法的特点 | 第48-50页 |
| 4．1．3 遗传算法与传统算法的比较 | 第50-52页 |
| 4．1．4 遗传算法的基本操作 | 第52-53页 |
| 4．2 基于遗传算法的盲分离算法原理 | 第53-60页 |
| 4．2．1 数据的预处理 | 第53页 |
| 4．2．2 初始种群及编码方式 | 第53-54页 |
| 4．2．3 目标函数的选取 | 第54-55页 |
| 4．2．4 算法步骤 | 第55-60页 |
| 4．3 遗传算法应用于EP信号的提取 | 第60-63页 |
| 4．3．1 EP信号的提取 | 第60-61页 |
| 4．3．2 结果讨论分析 | 第61-63页 |
| 5 小波分析与独立分量分析相结合在脑电信号特征提取中的应用 | 第63-72页 |
| 5．1 小波分析基础理论 | 第63-69页 |
| 5．1．1 小波变换的由来 | 第63-64页 |
| 5．1．2 连续小波变换 | 第64-66页 |
| 5．1．3 离散小波变换 | 第66-67页 |
| 5．1．4 小波包分析 | 第67-69页 |
| 5．2 小波变换与独立分量分析相结合提取脑电信号特征 | 第69-72页 |
| 5．2．1 应用背景及方法原理 | 第69页 |
| 5．2．2 仿真实验 | 第69-71页 |
| 5．2．3 结果讨论分析 | 第71-72页 |
| 结论 | 第72-74页 |
| 参考文献 | 第74-77页 |
| 攻读硕士学位期间发表学术论文情况 | 第77-78页 |
| 致谢 | 第78-79页 |
| 大连理工大学学位论文版权使用授权书 | 第79页 |
