基于盲源分离的脑电伪迹去除方法研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 课题研究的背景及意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 盲分离算法国内外研究现状 | 第10-11页 |
| 1.2.2 脑电信号伪迹去除研究现状 | 第11-13页 |
| 1.3 脑电信号盲分离亟待解决的问题 | 第13-14页 |
| 1.4 脑电信号盲源分离的应用 | 第14-16页 |
| 1.5 论文的工作安排 | 第16-18页 |
| 第2章 脑电信号盲源分离的基础知识 | 第18-32页 |
| 2.1 盲源分离的数学描述 | 第18-25页 |
| 2.1.1 盲源分离问题的数学模型 | 第18-21页 |
| 2.1.2 盲信号分离的前提假设 | 第21页 |
| 2.1.3 独立分量分析的目标函数 | 第21-23页 |
| 2.1.4 目标函数的优化方法 | 第23-25页 |
| 2.2 脑电信号特征及获取 | 第25-28页 |
| 2.2.1 脑电信号的特点 | 第25-26页 |
| 2.2.2 脑电信号获取 | 第26-27页 |
| 2.2.3 国际 10/20 系统 | 第27-28页 |
| 2.3 脑电信号预处理 | 第28-31页 |
| 2.3.1 主要伪迹成分 | 第28-29页 |
| 2.3.2 脑电信号预处理 | 第29-31页 |
| 2.4 评价指标 | 第31页 |
| 2.5 本章小结 | 第31-32页 |
| 第3章 正定方法脑电信号分离 | 第32-48页 |
| 3.1 数据来源 | 第32-34页 |
| 3.2 固定点算法的研究 | 第34-40页 |
| 3.2.1 基于四阶累积量方法 | 第34-35页 |
| 3.2.2 基于负熵的方法 | 第35-36页 |
| 3.2.3 仿真及结果分析 | 第36-40页 |
| 3.3 梯度算法 | 第40-47页 |
| 3.3.1 基本自然梯度算法的研究 | 第40-41页 |
| 3.3.2 改进的自适应变步长的自然梯度算法 | 第41-42页 |
| 3.3.3 基于分离度梯度的步长自适应梯度算法 | 第42-43页 |
| 3.3.4 仿真及结果分析 | 第43-47页 |
| 3.4 本章小结 | 第47-48页 |
| 第4章 脑电信号欠定盲分离方法分析 | 第48-58页 |
| 4.1 欠定情况分离混合信号方法分析 | 第48-52页 |
| 4.1.1 欠定系统数学模型 | 第48页 |
| 4.1.2 经验模式分解法 | 第48-49页 |
| 4.1.3 非负矩阵分解法 | 第49-51页 |
| 4.1.4 稀疏成分分析算法 | 第51-52页 |
| 4.2 脑电信号稀疏性分析 | 第52-55页 |
| 4.2.1 稀疏信号 | 第52页 |
| 4.2.2 脑电信号稀疏性仿真及稀疏变化 | 第52-55页 |
| 4.3 基于稀疏分量分析的两步法描述 | 第55-57页 |
| 4.3.1 混合矩阵估计 | 第56页 |
| 4.3.2 源信号估计 | 第56-57页 |
| 4.4 本章小结 | 第57-58页 |
| 第5章 稀疏分量方法脑电信号分离 | 第58-70页 |
| 5.1 聚类混合矩阵估计 | 第58-62页 |
| 5.1.1 基于k均值混合矩阵估计 | 第58-59页 |
| 5.1.2 势函数估计混合矩阵 | 第59-61页 |
| 5.1.3 混合矩阵评价指标 | 第61-62页 |
| 5.2 改进的聚类估计混合矩阵 | 第62-66页 |
| 5.2.1 改进的k均值算法 | 第62-64页 |
| 5.2.2 三种算法的仿真性能分析 | 第64-66页 |
| 5.3 最短路径估计源信号 | 第66-67页 |
| 5.4 仿真及分析 | 第67-69页 |
| 5.5 本章小结 | 第69-70页 |
| 结论 | 第70-72页 |
| 参考文献 | 第72-78页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第78-80页 |
| 致谢 | 第80页 |
