| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 1 绪论 | 第10-13页 |
| ·脑电分析方法发展概况 | 第10页 |
| ·独立分量分析发展概况 | 第10-12页 |
| ·本课题的研究背景和意义 | 第12页 |
| ·本文的主要研究内容 | 第12-13页 |
| 2 脑电信号概述 | 第13-22页 |
| ·脑电信号的基本特征与采集 | 第13-18页 |
| ·脑电图的基本特征及分类 | 第13-14页 |
| ·脑电信号的特点 | 第14-15页 |
| ·脑电信号的采集 | 第15-16页 |
| ·国际电极放置方法 | 第16-17页 |
| ·脑电信号中常见的伪差 | 第17-18页 |
| ·诱发电位信号 | 第18-22页 |
| ·EP信号的分类 | 第19页 |
| ·EP信号的基本特点 | 第19-20页 |
| ·影响EP信号的基本因素 | 第20页 |
| ·EP信号的提取 | 第20-22页 |
| 3 独立分量分析理论基础 | 第22-47页 |
| ·统计分析基础 | 第22-27页 |
| ·统计独立性 | 第22-23页 |
| ·高阶统计量 | 第23-27页 |
| ·信息论基础 | 第27-33页 |
| ·微分熵 | 第27-28页 |
| ·互信息 | 第28-29页 |
| ·K- L散度 | 第29页 |
| ·负熵 | 第29-31页 |
| ·信号通过线性系统时信息特征的变化 | 第31-33页 |
| ·独立分量分析的定义 | 第33-35页 |
| ·ICA的数学模型 | 第33-35页 |
| ·数据的预处理 | 第35页 |
| ·独立分量分析的独立性判据 | 第35-38页 |
| ·互信息极小化 | 第36页 |
| ·信息极大化 | 第36-37页 |
| ·极大似然判据 | 第37-38页 |
| ·直接用高阶统计量作独立性判据 | 第38页 |
| ·独立分量分析的优化算法 | 第38-41页 |
| ·批处理算法 | 第39页 |
| ·自适应算法 | 第39-41页 |
| ·独立分量分析的典型算法 | 第41-47页 |
| ·基于峭度的快速固定点算法 | 第41-43页 |
| ·Infomax算法及扩展的Infomax算法 | 第43-47页 |
| 4 多参考信号ICA方法及其在去除脑电伪差中的应用 | 第47-54页 |
| ·引言 | 第47页 |
| ·多参考信号的ICA算法 | 第47-49页 |
| ·伪差去除算法 | 第49-50页 |
| ·仿真实验结果 | 第50-52页 |
| ·小结 | 第52-54页 |
| 5 基于小波变换和独立分量分析的诱发电位的提取 | 第54-65页 |
| ·引言 | 第54-55页 |
| ·小波变换分析理论 | 第55-56页 |
| ·连续小波变换 | 第55页 |
| ·Mailat算法 | 第55-56页 |
| ·小波变换和 ICA相结合的方法 | 第56-58页 |
| ·带参考信号的ICA算法 | 第56-57页 |
| ·已有方法介绍 | 第57页 |
| ·新方法的提出 | 第57-58页 |
| ·仿真实验 | 第58-63页 |
| ·实验1 无噪声干扰的仿真结果 | 第59-60页 |
| ·实验2 有噪声干扰的仿真结果 | 第60-61页 |
| ·实验3 与已有方法的比较 | 第61-63页 |
| ·讨论与分析 | 第63-64页 |
| ·小结 | 第64-65页 |
| 结论 | 第65-66页 |
| 参考文献 | 第66-69页 |
| 攻读硕士学位期间发表学术论文情况 | 第69-70页 |
| 致谢 | 第70-71页 |
| 大连理工大学学位论文版权使用授权书 | 第71页 |