| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 第一章 绪论 | 第8-13页 |
| §1-1 视觉诱发脑电信号的概述 | 第8页 |
| §1-2 目前提取脑电信号的主要方法 | 第8-12页 |
| 1-2-1 平均叠加技术 | 第8-9页 |
| 1-2-2 各种滤波法 | 第9-10页 |
| 1-2-3 人工神经网络 | 第10页 |
| 1-2-4 小波变换 | 第10-11页 |
| 1-2-5 独立分量分析 | 第11-12页 |
| §1-3 论文的结构 | 第12-13页 |
| 第二章 独立分量分析理论及相关知识 | 第13-25页 |
| §2-1 引言 | 第13页 |
| §2-2 独立分量分析的线性模型 | 第13-15页 |
| §2-3 独立分量分析的相关数学知识 | 第15-22页 |
| 2-3-1 概率论知识 | 第15-16页 |
| 2-3-2 统计知识 | 第16-19页 |
| 2-3-3 信息论知识 | 第19-22页 |
| §2-4 独立分量分析独立性的度量 | 第22-23页 |
| 2-4-1 非高斯性极大 | 第22页 |
| 2-4-2 互信息最小 | 第22-23页 |
| 2-4-3 非线性不相关 | 第23页 |
| §2-5 独立分量分析的不确定性 | 第23-24页 |
| §2-6 本章小结 | 第24-25页 |
| 第三章 独立分量分析的典型算法 | 第25-35页 |
| §3-1 引言 | 第25页 |
| §3-2 数据的预处理 | 第25-26页 |
| §3-3 基于信息论的独立分量分析算法 | 第26-32页 |
| 3-3-1 基于信息论的FASTICA算法 | 第26-29页 |
| 3-3-2 INFOMAX算法 | 第29-31页 |
| 3-3-3 互信息最小算法 | 第31页 |
| 3-3-4 最大似然算法 | 第31-32页 |
| §3-4 基于统计学的独立分量分析算法 | 第32-34页 |
| §3-5 本章小结 | 第34-35页 |
| 第四章 固定点ICA算法改进研究以及在VEP信号中的应用 | 第35-45页 |
| §4-1 引言 | 第35页 |
| §4-2 基于负熵的牛顿优化算法研究 | 第35-44页 |
| 4-2-1 快速ICA算法分析 | 第35-36页 |
| 4-2-2 快速ICA改进算法推导 | 第36-37页 |
| 4-2-3 快速ICA改进算法实现步骤及仿真试验 | 第37-41页 |
| 4-2-4 VEP少次提取实验 | 第41-44页 |
| §4-3 本章小结 | 第44-45页 |
| 第五章 总结与展望 | 第45-47页 |
| §5-1 总结 | 第45页 |
| §5-2 展望 | 第45-47页 |
| 参考文献 | 第47-49页 |
| 致谢 | 第49页 |