| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| TABLE OF CONTENTS | 第11-14页 |
| 图表目录 | 第14-17页 |
| 主要符号表 | 第17-18页 |
| 主要縮略语表 | 第18-19页 |
| 1 绪论 | 第19-34页 |
| 1.1 研究背景与意义 | 第19-21页 |
| 1.2 国内外研究现状 | 第21-31页 |
| 1.2.1 诱发电位提取的滤波去噪法 | 第21-24页 |
| 1.2.2 诱发电位提取的分解分离法 | 第24-29页 |
| 1.2.3 诱发电位提取的参数模型法 | 第29-31页 |
| 1.2.4 尚待解决的问题 | 第31页 |
| 1.3 本文主要研究思路与内容 | 第31-34页 |
| 2 脑电信号采集与模型 | 第34-40页 |
| 2.1 引言 | 第34页 |
| 2.2 脑电信号及其特点 | 第34-36页 |
| 2.2.1 自发脑电信号 | 第34-35页 |
| 2.2.2 诱发电位信号 | 第35-36页 |
| 2.3 数据采集与预处理 | 第36-38页 |
| 2.4 诱发电位提取问题的模型 | 第38页 |
| 2.5 单通道诱发电位信号提取 | 第38-39页 |
| 2.6 本章小节 | 第39-40页 |
| 3 基于混合字典训练与稀疏表示的单通道诱发电位少次提取方法 | 第40-64页 |
| 3.1 引言 | 第40页 |
| 3.2 稀疏表示理论 | 第40-44页 |
| 3.2.1 稀疏表示模型 | 第40-41页 |
| 3.2.2 稀疏表示的求解方法 | 第41-43页 |
| 3.2.3 字典训练算法 | 第43-44页 |
| 3.3 基于混合训练字典的稀疏表示方法 | 第44-51页 |
| 3.3.1 算法原理 | 第44-47页 |
| 3.3.2 实验结果与分析 | 第47-51页 |
| 3.4 基于联合稀疏表示的诱发电位提取方法 | 第51-58页 |
| 3.4.1 算法原理 | 第51-53页 |
| 3.4.2 实验结果与分析 | 第53-58页 |
| 3.5 讨论与分析 | 第58-63页 |
| 3.5.1 字典训练的性能分析 | 第58-61页 |
| 3.5.2 计算复杂度 | 第61-63页 |
| 3.6 本章小节 | 第63-64页 |
| 4 基于时间自相关函数的单通道诱发电位单次提取方法 | 第64-106页 |
| 4.1 引言 | 第64页 |
| 4.2 大规模最优化方法基础 | 第64-68页 |
| 4.2.1 信赖域方法 | 第64-66页 |
| 4.2.2 预条件共轭梯度法 | 第66-68页 |
| 4.3 基于时间自相关函数约束的波形估计方法 | 第68-87页 |
| 4.3.1 算法原理 | 第68-76页 |
| 4.3.2 实验结果与分析 | 第76-87页 |
| 4.4 基于时间自相关函数最优化的波形估计方法 | 第87-100页 |
| 4.4.1 算法原理 | 第87-91页 |
| 4.4.2 实验结果与分析 | 第91-100页 |
| 4.5 讨论与分析 | 第100-105页 |
| 4.5.1 算法性能比较 | 第100-102页 |
| 4.5.2 解析表达对计算效率的影响 | 第102页 |
| 4.5.3 算法的计算效率 | 第102-105页 |
| 4.6 本章小节 | 第105-106页 |
| 5 脉冲噪声环境下单通道诱发电位的韧性自适应估计方法 | 第106-138页 |
| 5.1 引言 | 第106页 |
| 5.2 α稳定分布理论与自适应诱发电位估计器 | 第106-111页 |
| 5.2.1 α稳定分布理论 | 第106-109页 |
| 5.2.2 基于径向基函数神经网络的自适应诱发电位估计器 | 第109-111页 |
| 5.3 基于最小平均绝对偏差准则的自适应诱发电位估计器 | 第111-119页 |
| 5.3.1 算法原理 | 第112-113页 |
| 5.3.2 实验结果与分析 | 第113-119页 |
| 5.4 基于非线性Sigmoid变换的自适应诱发电位估计器 | 第119-136页 |
| 5.4.1 算法原理 | 第120-121页 |
| 5.4.2 算法韧性分析 | 第121-123页 |
| 5.4.3 实验结果与分析 | 第123-136页 |
| 5.5 讨论与分析 | 第136-137页 |
| 5.6 本章小节 | 第137-138页 |
| 6 脉冲噪声环境下基于最大相关熵准则的单通道诱发电位估计方法 | 第138-155页 |
| 6.1 引言 | 第138页 |
| 6.2 相关熵理论基础 | 第138-139页 |
| 6.3 基于最大相关熵准则的韧性自适应诱发电位估计方法 | 第139-150页 |
| 6.3.1 算法原理 | 第139-140页 |
| 6.3.2 算法韧性分析 | 第140-142页 |
| 6.3.3 实验结果与分析 | 第142-150页 |
| 6.4 讨论与分析 | 第150-153页 |
| 6.4.1 对核长σ的选取 | 第150-152页 |
| 6.4.2 计算复杂度 | 第152-153页 |
| 6.5 本章小节 | 第153-155页 |
| 7 结论与展望 | 第155-160页 |
| 7.1 结论 | 第155-157页 |
| 7.2 创新点摘要 | 第157-158页 |
| 7.3 展望 | 第158-160页 |
| 参考文献 | 第160-175页 |
| 附录A 命题4.1 的证明 | 第175-177页 |
| 攻读博士学位期间科研项目及科研成果 | 第177-178页 |
| 致谢 | 第178-179页 |
| 作者简介 | 第179-180页 |
