| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第8-13页 |
| §1.1 研究背景与问题 | 第8-11页 |
| §1.1.1 脑电信号去噪的背景与意义 | 第8页 |
| §1.1.2 脑电噪声产生的原因及其类别 | 第8-10页 |
| §1.1.3 脑电信号去噪方法概述 | 第10-11页 |
| §1.2 国内外研究现状 | 第11-12页 |
| §1.3 论文结构安排 | 第12-13页 |
| 第二章 独立分量分析的理论与算法 | 第13-22页 |
| §2.1 独立分量分析的数学背景与信息论基础 | 第13-16页 |
| §2.1.1 独立分量分析的数学背景 | 第13-14页 |
| §2.1.2 独立分量分析的信息论基础 | 第14-16页 |
| §2.2 独立分量分析的基本模型和假设条件 | 第16-17页 |
| §2.3 独立分量分析的相关算法 | 第17-21页 |
| §2.3.1 基于极大化非高斯性的FastICA算法 | 第17-18页 |
| §2.3.2 基于极小化互信息的盲分离算法 | 第18-19页 |
| §2.3.3 基于极大似然估计的盲分离算法 | 第19-20页 |
| §2.3.4 基于信息极大化的Infomax算法 | 第20-21页 |
| §2.4 本章小结 | 第21-22页 |
| 第三章 基于ICA和小波阈值的脑电信号去噪方法 | 第22-29页 |
| §3.1 脑电图与脑电信号的特点 | 第22-24页 |
| §3.1.1 脑电图 | 第22页 |
| §3.1.2 脑电信号的特点 | 第22-24页 |
| §3.2 基于ICA与小波阈值的脑电信号去噪方法 | 第24-28页 |
| §3.2.1 含噪独立分量的识别 | 第24-25页 |
| §3.2.2 小波阈值方法 | 第25-27页 |
| §3.2.3 基于ICA与小波阈值的脑电信号去噪方法 | 第27-28页 |
| §3.3 本章小结 | 第28-29页 |
| 第四章 数值实验的结果与分析 | 第29-40页 |
| §4.1 脑电数据 | 第29-30页 |
| §4.2 癫痫性发作的自动检测 | 第30-33页 |
| §4.2.1 样本熵特征 | 第30-31页 |
| §4.2.2 超限学习机 | 第31-33页 |
| §4.3 数值实验结果与分析 | 第33-38页 |
| §4.3.1 癫痫脑电信号的去噪结果 | 第33页 |
| §4.3.2 癫痫性发作的自动检测结果 | 第33-38页 |
| §4.4 本章小结 | 第38-40页 |
| 总结与展望 | 第40-41页 |
| 参考文献 | 第41-44页 |
| 攻读硕士学位期间取得的科研成果 | 第44-45页 |
| 致谢 | 第45页 |