| 摘要 | 第1-5页 |
| ABSTRACT | 第5-8页 |
| 第一章 概述 | 第8-13页 |
| §1-1 脑电图机的结构原理 | 第8-9页 |
| §1-2 脑电信号的基本规律 | 第9页 |
| §1-3 脑电信号的分析处理 | 第9-11页 |
| §1-4 ICA 研究的发展过程及应用现状 | 第11页 |
| §1-5 研究内容及主要工作 | 第11-13页 |
| 第二章 ICA的基本原理及相关知识 | 第13-30页 |
| §2-1 引言 | 第13页 |
| §2-2 多维统计数据的线性变换 | 第13-14页 |
| §2-3 主分量分析 | 第14-16页 |
| 2-3-1 主分量分析的基本概念 | 第14-15页 |
| 2-3-2 奇异值分解算法 | 第15-16页 |
| §2-4 统计独立 | 第16-17页 |
| 2-4-1 随机事件的独立性 | 第16页 |
| 2-4-2 统计独立的随机变量 | 第16-17页 |
| §2-5 ICA 模型及定义 | 第17-21页 |
| 2-5-1 ICA 和盲源分离 | 第17页 |
| 2-5-2 ICA 的线性模型 | 第17-19页 |
| 2-5-3 ICA 中的“球化” | 第19-21页 |
| §2-6 高阶统计量 | 第21-25页 |
| 2-6-1 高阶矩和高阶累积量 | 第21-23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25-30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28-29页 |
| 2-7-4 几种微分熵之间的联系 | 第29-30页 |
| 第三章 ICA的实现算法 | 第30-38页 |
| §3-1 引言 | 第30页 |
| §3-2 Infomax 算法 | 第30-35页 |
| §3-3 互信息最小算法 | 第35-36页 |
| §3-4 最大似然算法 | 第36-37页 |
| §3-5 本章小结 | 第37-38页 |
| 第四章 ICA在脑电信号处理中的应用 | 第38-55页 |
| §4-1 引言 | 第38-39页 |
| §4-2 基于ICA 的脑点信号伪迹的消除 | 第39-55页 |
| 4-2-1 基本原理 | 第39-40页 |
| 4-2-2 独立分量分析定点算法 | 第40-42页 |
| 4-2-3 固定点ICA 算法的程序实现及仿真 | 第42-46页 |
| 4-2-4 基于固定点ICA 的脑电伪迹的消除实验 | 第46-55页 |
| 第五章 结论与展望 | 第55-56页 |
| 参考文献 | 第56-59页 |
| 致谢 | 第59-60页 |
| 攻读学位期间所取得的相关科研成果 | 第60页 |