脑认知状态分类识别方法的研究和应用
| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 1 绪论 | 第8-11页 |
| ·研究背景及意义 | 第8页 |
| ·国内外研究现状 | 第8-9页 |
| ·本文的工作 | 第9-10页 |
| ·论文的组织 | 第10-11页 |
| 2 功能磁共振成像 | 第11-22页 |
| ·大脑结构功能及其成像技术 | 第11-13页 |
| ·大脑的结构和功能 | 第11-12页 |
| ·脑功能成像技术 | 第12-13页 |
| ·功能磁共振成像技术 | 第13-16页 |
| ·fMRI的成像原理及其数据特点 | 第13-14页 |
| ·fMRI实验设计方法 | 第14-15页 |
| ·本文采用的实验数据 | 第15-16页 |
| ·fMRI图像分类识别基本模型 | 第16-18页 |
| ·fMRI数据预处理 | 第18-21页 |
| ·SPM简介 | 第18-19页 |
| ·SPM预处理 | 第19-20页 |
| ·SPM统计 | 第20-21页 |
| ·本章小结 | 第21-22页 |
| 3 数据驱动的fMRI特征降维和提取 | 第22-38页 |
| ·实验数据初步降维 | 第22-23页 |
| ·fMRI数据分析方法 | 第23-25页 |
| ·模型驱动方法 | 第23页 |
| ·数据驱动方法 | 第23-25页 |
| ·基于潜在语义分析的特征抽取 | 第25-29页 |
| ·潜在语义分析 | 第25-27页 |
| ·潜在语义分析降维实例 | 第27-29页 |
| ·基于LSA的fMRI特征抽取 | 第29页 |
| ·基于主成分分析的特征抽取 | 第29-34页 |
| ·主成分分析 | 第29-31页 |
| ·主成分分析降维实例 | 第31-33页 |
| ·基于PCA的fMRI特征抽取 | 第33-34页 |
| ·实验结果和分析 | 第34-37页 |
| ·本章小结 | 第37-38页 |
| 4 基于KNN的孤立认知状态分类 | 第38-46页 |
| ·脑认知状态分类 | 第38-39页 |
| ·KNN分类模型 | 第39-42页 |
| ·KNN算法思想 | 第39-41页 |
| ·基于类中心的KNN算法 | 第41-42页 |
| ·实验结果和分析 | 第42-45页 |
| ·本章小结 | 第45-46页 |
| 5 基于HMM的认知状态时间序列分类 | 第46-56页 |
| ·HMM分类模型 | 第46-48页 |
| ·HMM模型表示 | 第46-48页 |
| ·HMM模型应用 | 第48页 |
| ·PSO优化算法 | 第48-49页 |
| ·基于群优化的HMM训练模型 | 第49-53页 |
| ·迭代终止策略 | 第50-51页 |
| ·粒子编码模式 | 第51-52页 |
| ·参数归一化处理 | 第52-53页 |
| ·适应度评价函数 | 第53页 |
| ·实验结果和分析 | 第53-55页 |
| ·本章小结 | 第55-56页 |
| 结论 | 第56-57页 |
| 参考文献 | 第57-59页 |
| 攻读硕士学位期间发表学术论文情况 | 第59-60页 |
| 致谢 | 第60-62页 |
