| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第1章 绪论 | 第10-16页 |
| ·本课题的研究背景和意义 | 第10-11页 |
| ·国内外研究发展现状 | 第11-14页 |
| ·自适应噪声抵消器 | 第11-12页 |
| ·相关运算法 | 第12页 |
| ·奇异值分解法 | 第12-13页 |
| ·神经网络和支持向量机 | 第13页 |
| ·盲源分离 | 第13-14页 |
| ·论文主要研究内容 | 第14-15页 |
| ·本论文的组织结构 | 第15-16页 |
| 第2章 独立分量分析理论基础 | 第16-29页 |
| ·独立分量分析的数学模型和原理 | 第16-17页 |
| ·独立分量分析的相关理论基础 | 第17-21页 |
| ·统计理论基础 | 第17-19页 |
| ·信息论基础 | 第19-21页 |
| ·独立分量分析的目标函数 | 第21-25页 |
| ·互信息极小化准则(Minimization of Mutual Information，MMI) | 第21-22页 |
| ·信息极大化准则(Informax) | 第22-23页 |
| ·极大似然准则(Maximum Likelihood Estimation，MLE) | 第23-24页 |
| ·非高斯性判据 | 第24-25页 |
| ·独立分量分析的优化算法 | 第25-27页 |
| ·批处理算法 | 第25-26页 |
| ·自适应算法 | 第26-27页 |
| ·独立分量分析的预处理 | 第27-29页 |
| ·信号的去均值 | 第27页 |
| ·信号的白化 | 第27-29页 |
| 第3章 基于小波变换和 ICA 的多导联环境下胎儿心电信号提取算法 | 第29-47页 |
| ·基于自然梯度的信息极大化算法 | 第29-30页 |
| ·传统 Informax 算法性能仿真实验 | 第30-32页 |
| ·结合小波变换的独立分量提取算法 | 第32-38页 |
| ·小波变换 | 第32-37页 |
| ·噪声背景下的 ICA 模型 | 第37页 |
| ·结合小波变换的独立分量分析算法 | 第37-38页 |
| ·多导联胎儿心电信号提取实验 | 第38-45页 |
| ·实验数据 | 第38-39页 |
| ·模拟心电信号中的胎儿心电信号提取实验 | 第39-43页 |
| ·临床混合信号中提取胎儿心电信号实验 | 第43-45页 |
| ·本章小结 | 第45-47页 |
| 第4章 基于奇异值分解和神经网络的单导联胎儿心电信号提取算法 | 第47-62页 |
| ·奇异值分解和奇异值比例频谱 | 第47-48页 |
| ·人工神经网络 | 第48-53页 |
| ·神经元基本结构模型 | 第49-50页 |
| ·神经网络的分类 | 第50-52页 |
| ·径向基函数神经网络简介 | 第52-53页 |
| ·基于 SVD 和 RBF 神经网络的胎儿心电提取方法 | 第53-55页 |
| ·单导联胎儿心电信号提取实验 | 第55-61页 |
| ·模拟信号提取实验 | 第56-58页 |
| ·实际临床数据提取实验 | 第58-61页 |
| ·本章小结 | 第61-62页 |
| 第5章 总结和展望 | 第62-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 附录 | 第69页 |
