| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第13-19页 |
| 1.1 脑电信号简介 | 第13-15页 |
| 1.2 脑电信号特征 | 第15-16页 |
| 1.3 脑电信号的分析方法简介 | 第16-17页 |
| 1.4 本文研究的主要内容以及结构安排 | 第17-19页 |
| 第2章 盲信号处理数学基础 | 第19-28页 |
| 2.1 统计分析基础 | 第19-21页 |
| 2.2 高阶统计特征 | 第21-24页 |
| 2.2.1 高阶累计量 | 第21-23页 |
| 2.2.2 峭度 | 第23-24页 |
| 2.3 信息论基础 | 第24-28页 |
| 2.3.1 熵、联合熵与条件熵 | 第24-25页 |
| 2.3.2 互信息 | 第25-26页 |
| 2.3.3 Kullback-Leibler散度 | 第26页 |
| 2.3.4 负熵 | 第26-28页 |
| 第3章 多维统计分析基本原理 | 第28-44页 |
| 3.1 主分量分析（PCA）基本理论 | 第28-34页 |
| 3.1.1 一个实例 | 第28-30页 |
| 3.1.2 基变换 | 第30-31页 |
| 3.1.3 方差理论 | 第31-32页 |
| 3.1.4 奇异值分解（SVD） | 第32-33页 |
| 3.1.5 主分量分析(PCA)的求解过程 | 第33-34页 |
| 3.2 独立分量分析的基本理论 | 第34-44页 |
| 3.2.1 背景 | 第34-36页 |
| 3.2.2 独立分量分析的数学模型 | 第36-37页 |
| 3.2.3 独立性判据原则 | 第37-39页 |
| 3.2.4 独立分量分析算法综述 | 第39-44页 |
| 第4章 小波理论 | 第44-53页 |
| 4.1 小波综述 | 第44-46页 |
| 4.2 小波变换基础 | 第46-51页 |
| 4.2.1 连续小波变换 | 第46-48页 |
| 4.2.2 离散小波变换 | 第48-49页 |
| 4.2.3 离散小波变换的一种快速算法 | 第49-51页 |
| 4.3 小波包分析 | 第51-53页 |
| 第5章 脑电信号预处理 | 第53-64页 |
| 5.1 小鼠晶须桶状皮层局部场电位信号 | 第54-55页 |
| 5.2 基于独立分量分析的工频干扰消除 | 第55-60页 |
| 5.3 小波去噪 | 第60-64页 |
| 第6章 脑电信号特征提取 | 第64-82页 |
| 6.1 对脑电信号进行小波包分解 | 第64-74页 |
| 6.1.1 小波包分析方法各个子频带的排列顺序 | 第65-69页 |
| 6.1.2 采用小波包分析法提取脑电信号特征节律 | 第69-74页 |
| 6.2 基于小波包以及独立分量分析提取脑电信号特征节律 | 第74-79页 |
| 6.3 小波包分析方法与WICA分析方法结果的讨论 | 第79-82页 |
| 第7章 总结与展望 | 第82-85页 |
| 参考文献 | 第85-89页 |
| 个人简介、在学期间发表的学术论文与研究成果 | 第89-90页 |
| 致谢 | 第90页 |