独立分量分析及其在事件相关电位中的应用研究
| 第一章 绪论 | 第1-13页 |
| 1．1 脑电的研究状况 | 第7-8页 |
| 1．2 自发脑电与事件相关电位 | 第8-10页 |
| 1．3 独立分量分析的发展及研究现状 | 第10-11页 |
| 1．4 本文的研究内容 | 第11-13页 |
| 第二章 独立分量分析的理论基础 | 第13-32页 |
| 2．1 统计分析理论 | 第13-19页 |
| 2．1．1 随机变量的一、二阶统计特性 | 第13-15页 |
| 2．1．2 随机变量的高阶统计特性分析 | 第15-19页 |
| 2．2 信息论基础 | 第19-24页 |
| 2．2．1 信息熵 | 第19-20页 |
| 2．2．2 互信息 | 第20-21页 |
| 2．2．3 K_L散度和负熵 | 第21-22页 |
| 2．2．4 最大熵定理 | 第22-23页 |
| 2．2．5 多维数据分析的线性描述 | 第23-24页 |
| 2．3 主分量分析 | 第24-26页 |
| 2．4 独立分量分析 | 第26-30页 |
| 2．4．1 统计独立性 | 第26-27页 |
| 2．4．2 ICA问题的模型 | 第27-28页 |
| 2．4．3 ICA的约束条件 | 第28-30页 |
| 2．5 ICA中的预处理 | 第30-32页 |
| 2．5．1 去均值 | 第30页 |
| 2．5．2 白化 | 第30-32页 |
| 第三章 独立分量分析算法 | 第32-47页 |
| 3．1 非高斯性与统计独立 | 第32-33页 |
| 3．2 目标函数 | 第33-38页 |
| 3．2．1 基于峭度的目标函数 | 第34-36页 |
| 3．2．2 基于负熵及近似负熵的目标函数 | 第36-37页 |
| 3．2．3 基于最小互信息的目标函数 | 第37-38页 |
| 3．3 优化算法 | 第38-47页 |
| 3．3．1 Infomax算法 | 第39-41页 |
| 3．3．2 扩展Infomax算法 | 第41-44页 |
| 3．3．3 FastICA算法 | 第44-47页 |
| 第四章 ICA在事件相关电位中的应用 | 第47-59页 |
| 4．1 概述 | 第47-48页 |
| 4．2 ICA在 ERP的消噪与提取中的应用 | 第48-55页 |
| 4．2．1 实验数据及实验方法 | 第48-49页 |
| 4．2．2 基于 ICA的事件相关的消噪 | 第49-53页 |
| 4．2．3 ERP的提取 | 第53-55页 |
| 4．3 ICA在 P3亚成分提取中的应用 | 第55-58页 |
| 4．4 结论 | 第58-59页 |
| 第五章 总结与展望 | 第59-60页 |
| 参考文献 | 第60-65页 |
| 攻读硕士学位期间发表的论文 | 第65-66页 |
| 致谢 | 第66页 |
