基于独立分量分析的脑电消噪与特征提取
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-7页 |
| 目录 | 第7-9页 |
| 第一章 绪论 | 第9-17页 |
| ·前言 | 第9页 |
| ·脑电信号的特征 | 第9-12页 |
| ·脑电信号的采集系统简介 | 第12-13页 |
| ·脑电信号处理技术概述 | 第13-15页 |
| ·独立分量分析 | 第15-16页 |
| ·本文的研究内容 | 第16-17页 |
| 第二章 独立分量分析的基础理论 | 第17-36页 |
| ·统计分析理论基础 | 第17-22页 |
| ·随机变量的一、二阶统计特性分析 | 第17-19页 |
| ·随机变量的高阶统计特性分析 | 第19-22页 |
| ·信息论基础 | 第22-27页 |
| ·信息熵 | 第22-24页 |
| ·互信息 | 第24页 |
| ·K_L散度和负熵 | 第24-25页 |
| ·最大熵定理 | 第25-26页 |
| ·多维数据分析的线性描述 | 第26-27页 |
| ·独立分量分析 | 第27-35页 |
| ·统计独立 | 第28-29页 |
| ·ICA问题模型 | 第29-35页 |
| ·ICA与BSS | 第29-31页 |
| ·ICA定义及线性模型 | 第31-34页 |
| ·ICA限制条件 | 第34-35页 |
| ·本章小结 | 第35-36页 |
| 第三章 ICA的算法分析 | 第36-52页 |
| ·ICA中的预处理 | 第36-37页 |
| ·独立性度量 | 第37-39页 |
| ·ICA的目标函数 | 第39-43页 |
| ·基于峭度的目标函数 | 第39-41页 |
| ·基于负熵及近似熵的目标函数 | 第41-42页 |
| ·基于互信息最小化的目标函数 | 第42-43页 |
| ·ICA的优化算法 | 第43-51页 |
| ·Infomax算法 | 第44-46页 |
| ·扩展的Infomax算法 | 第46-49页 |
| ·FastICA算法 | 第49-51页 |
| ·本章小结 | 第51-52页 |
| 第四章 脑电信号消噪和特征提取 | 第52-62页 |
| ·综述 | 第52-53页 |
| ·ICA在脑电信号消噪和特征提取中应用 | 第53-61页 |
| ·ICA在脑电消噪中应用 | 第53-57页 |
| ·ICA在EP特征提取中的应用 | 第57-61页 |
| ·叠加平均技术 | 第57-58页 |
| ·VEP提取 | 第58-59页 |
| ·ICA在P3亚成分中提取中的应用 | 第59-61页 |
| ·本章小结 | 第61-62页 |
| 第五章 总结与展望 | 第62-63页 |
| 参考文献 | 第63-68页 |
| 致谢 | 第68-69页 |
| 攻读硕士学位期间发表的论文 | 第69页 |
