脑电消噪的独立分量分析方法及其应用研究
| 第一章 绪论 | 第1-9页 |
| 1．1 前言 | 第6页 |
| 1．2 脑电消噪的传统方法 | 第6-7页 |
| 1．3 独立分量分析 | 第7页 |
| 1．4 本文的研究内容 | 第7-9页 |
| 第二章 ICA的基本原理及相关知识 | 第9-36页 |
| 2．1 引言 | 第9页 |
| 2．2 多维统计数据的线性变换 | 第9-11页 |
| 2．3 主分量分析 | 第11-13页 |
| 2．3．1 主分量分析的基本概念 | 第11-12页 |
| 2．3．2 奇异值分解算法 | 第12-13页 |
| 2．4 统计独立 | 第13-14页 |
| 2．4．1 随机事件的独立性 | 第13-14页 |
| 2．4．2 统计独立的随机变量 | 第14页 |
| 2．5 ICA模型及定义 | 第14-20页 |
| 2．5．1 ICA和盲源分离 | 第14-15页 |
| 2．5．2 ICA的线性模型 | 第15-18页 |
| 2．5．3 ICA中的“球化” | 第18-20页 |
| 2．6 高阶统计量 | 第20-25页 |
| 2．6．1 高阶矩和高阶累积量 | 第20-23页 |
| 2．6．2 多个随机变量的联合高阶统计量 | 第23-24页 |
| 2．6．3 累积量的基本性质 | 第24-25页 |
| 2．7 信息论 | 第25-31页 |
| 2．7．1 微分熵 | 第25-27页 |
| 2．7．2 互信息 | 第27-28页 |
| 2．7．3 负熵 | 第28-30页 |
| 2．7．4 几种微分熵之间的联系 | 第30-31页 |
| 2．8 无监督学习神经网络 | 第31-35页 |
| 2．8．1 神经元基本概念 | 第31-32页 |
| 2．8．2 目标函数和梯度法 | 第32-33页 |
| 2．8．3 Hebb准则 | 第33-35页 |
| 2．9 本章小结 | 第35-36页 |
| 第三章 ICA的实现算法 | 第36-50页 |
| 3．1 引言 | 第36-37页 |
| 3．2 Infomax算法 | 第37-44页 |
| 3．2．1 迭代算法的推导 | 第37-43页 |
| 3．2．2 性能分析 | 第43-44页 |
| 3．3 固定点算法 | 第44-46页 |
| 3．4 互信息最小算法 | 第46-47页 |
| 3．5 最大似然算法 | 第47-49页 |
| 3．6 本章小结 | 第49-50页 |
| 第四章 ICA在脑电消噪中的应用 | 第50-63页 |
| 4．1 引言 | 第50-51页 |
| 4．2 眼电伪迹去除 | 第51-55页 |
| 4．2．1 伪迹去除过程 | 第51-53页 |
| 4．2．2 眼电的空间模型 | 第53-55页 |
| 4．3 心电伪迹去除 | 第55-57页 |
| 4．4 工频干扰去除 | 第57-62页 |
| 4．5 本章小结 | 第62-63页 |
| 第五章 总结与展望 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 作者完成的论文 | 第68-69页 |
| 致谢 | 第69页 |
