基于独立分量分析的脑电信号的分离
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第1章 绪论 | 第9-15页 |
| ·课题背景 | 第9页 |
| ·本课题研究的目的及意义 | 第9-10页 |
| ·国内外相关技术发展现状 | 第10-13页 |
| ·脑电的发现与发展 | 第10页 |
| ·脑电在临床中的应用 | 第10-11页 |
| ·等效偶极子定位问题 | 第11-12页 |
| ·盲分离与独立分量分析 | 第12-13页 |
| ·本文主要研究内容 | 第13-15页 |
| 第2章 脑电逆问题 | 第15-25页 |
| ·引言 | 第15页 |
| ·脑电的产生机理和临床应用 | 第15-18页 |
| ·脑电的产生机理 | 第15-16页 |
| ·脑电的临床应用 | 第16-18页 |
| ·脑电发生源定位问题 | 第18-24页 |
| ·偶极子模型 | 第19-20页 |
| ·头部模型的选择 | 第20-21页 |
| ·脑电正问题 | 第21-24页 |
| ·本章小结 | 第24-25页 |
| 第3章 独立分量分析理论 | 第25-38页 |
| ·引言 | 第25页 |
| ·独立分量分析的定义 | 第25-29页 |
| ·独立分量分析的线形模型 | 第25-27页 |
| ·噪声ICA | 第27-28页 |
| ·非线性ICA | 第28-29页 |
| ·独立分量分析的发展简史 | 第29-30页 |
| ·独立分量分析的相关数学知识 | 第30-35页 |
| ·概率论知识 | 第30-31页 |
| ·统计知识 | 第31-35页 |
| ·独立分量分析独立性的度量 | 第35-37页 |
| ·非高斯性极大 | 第35-36页 |
| ·互信息量最小 | 第36页 |
| ·非线性不相关 | 第36-37页 |
| ·本章小结 | 第37-38页 |
| 第4章 基于信息论的独立分量分析算法 | 第38-48页 |
| ·引言 | 第38页 |
| ·数据的预处理 | 第38-40页 |
| ·基于信息论的独立分量分析算法 | 第40-46页 |
| ·FastICA算法 | 第40-43页 |
| ·Infomax算法 | 第43-46页 |
| ·互信息最小算法 | 第46页 |
| ·最大似然算法 | 第46页 |
| ·独立立分量分析算法的选择 | 第46-47页 |
| ·本章小结 | 第47-48页 |
| 第5章 应用独立分量分析的脑电信号的盲分离 | 第48-65页 |
| ·引言 | 第48页 |
| ·数据的产生和预处理 | 第48-52页 |
| ·数据的产生 | 第48-50页 |
| ·脑电数据的预处理 | 第50-52页 |
| ·脑电数据的独立分量分析 | 第52-54页 |
| ·算法结果的检验和噪声性能分析 | 第54-58页 |
| ·算法结果的检验 | 第54页 |
| ·噪声性能 | 第54-58页 |
| ·不同ICA算法之间的比较 | 第58-61页 |
| ·对旋转的偶极子产生电位的分解 | 第61-64页 |
| ·本章小结 | 第64-65页 |
| 结论 | 第65-66页 |
| 参考文献 | 第66-71页 |
| 致谢 | 第71页 |
