| 摘要 | 第7-9页 |
| ABSTRACT | 第9-11页 |
| 第一章 绪论 | 第12-21页 |
| 1.1 脑—机接口技术及其发展 | 第12-15页 |
| 1.1.1 BCI系统的基本结构 | 第13-14页 |
| 1.1.2 BCI的应用领域和发展前景 | 第14-15页 |
| 1.2 脑电信号处理方法 | 第15-17页 |
| 1.2.1 脑电信号的特征 | 第15-16页 |
| 1.2.2 常用的脑电信号分析方法 | 第16-17页 |
| 1.3 脑电信号处理中存在的问题及发展方向 | 第17-18页 |
| 1.4 论文的立题依据 | 第18-19页 |
| 1.5 论文的主要工作以及创新点 | 第19-20页 |
| 1.6 论文的结构安排 | 第20-21页 |
| 第二章 独立分量分析的基本理论 | 第21-36页 |
| 2.1 ICA概述 | 第21-23页 |
| 2.2 随机变量的一、二阶统计特性分析 | 第23-25页 |
| 2.3 随机变量高阶统计特性分析 | 第25-27页 |
| 2.4 信息论基础 | 第27-33页 |
| 2.4.1 熵 | 第28-30页 |
| 2.4.1.1 离散信源的熵 | 第28-29页 |
| 2.4.1.2 连续信源的熵 | 第29-30页 |
| 2.4.1.3 熵的性质 | 第30页 |
| 2.4.2 散度 | 第30-31页 |
| 2.4.3 互信息 | 第31-32页 |
| 2.4.4 负熵 | 第32-33页 |
| 2.5 线性系统输入输出信号间有关信息特征参数的关系 | 第33-35页 |
| 2.5.1 熵关系 | 第33-34页 |
| 2.5.2 K—L散度关系 | 第34页 |
| 2.5.3 互信息关系 | 第34-35页 |
| 2.6 本章小结 | 第35-36页 |
| 第三章 基于非高斯性测度的ICA算法 | 第36-48页 |
| 3.1 基于峭度的非高斯性描述及其独立分量提取算法 | 第37-40页 |
| 3.1.1 峭度极值点与独立分量之间的关系 | 第37-38页 |
| 3.1.2 以峭度为目标函数的独立分量提取算法—梯度算法 | 第38-40页 |
| 3.2 基于负熵的非高斯性描述及其独立分量提取算法 | 第40-46页 |
| 3.2.1 算法原理 | 第40页 |
| 3.2.2 负熵的近似 | 第40-41页 |
| 3.2.3 对比函数G的选取 | 第41-42页 |
| 3.2.4 固定点算法 | 第42-43页 |
| 3.2.5 仿真实验 | 第43-45页 |
| 3.2.6 算法性能讨论 | 第45-46页 |
| 3.3 本章小结 | 第46-48页 |
| 第四章 扩展Infomax算法及其应用 | 第48-59页 |
| 4.1 自然梯度与相对梯度 | 第48-49页 |
| 4.2 扩展Infomax算法 | 第49-56页 |
| 4.2.1 扩展Infomax算法的推导 | 第50-51页 |
| 4.2.2 分离亚高斯信号的非线性函数 | 第51-53页 |
| 4.2.3 分离超高斯信号的非线性函数 | 第53页 |
| 4.2.4 扩展Infomax算法的统一形式 | 第53-55页 |
| 4.2.5 仿真实验 | 第55-56页 |
| 4.3 在线Infomax算法 | 第56-58页 |
| 4.4 本章小结 | 第58-59页 |
| 第五章 独立分量分析在脑电信号处理中的应用 | 第59-74页 |
| 5.1 常用的脑电特征提取方法 | 第59-63页 |
| 5.1.1 脑电信号的时域分析 | 第60-61页 |
| 5.1.2 脑电信号的频域分析 | 第61-63页 |
| 5.2 ICA在脑电信号处理中的应用 | 第63-69页 |
| 5.2.1 消噪 | 第63-65页 |
| 5.2.2 特征提取 | 第65-69页 |
| 5.3 ICA在EP特征提取中的应用 | 第69-73页 |
| 5.4 本章小结 | 第73-74页 |
| 第六章 总结和展望 | 第74-77页 |
| 6.1 工作总结 | 第74-75页 |
| 6.2 今后的工作方向 | 第75-77页 |
| 参考文献 | 第77-83页 |
| 致谢 | 第83-84页 |
| 作者攻读硕士学位期间发表的论文目录 | 第84-85页 |
| 学位论文评阅及答辩情况表 | 第85页 |
