| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-19页 |
| 1.1 课题的学术与工程背景 | 第10-13页 |
| 1.2 研究现状 | 第13-17页 |
| 1.3 课题意义 | 第17-18页 |
| 1.4 主要研究内容 | 第18-19页 |
| 第2章 研究数据、方案和相应方法 | 第19-38页 |
| 2.1 数据介绍 | 第19-20页 |
| 2.2 总体方案设计 | 第20-21页 |
| 2.3 数据预处理 | 第21-25页 |
| 2.3.1 荧光信号反卷积 | 第21-23页 |
| 2.3.2 Bin长和最优阈值的选取 | 第23-25页 |
| 2.4 分析方法 | 第25-31页 |
| 2.4.1 临界状态的统计与判定 | 第25-27页 |
| 2.4.2 Data binning优化 | 第27-28页 |
| 2.4.3 最小二乘拟合 | 第28-29页 |
| 2.4.4 Kolmogorov-Smirnov估计 | 第29页 |
| 2.4.5 最大似然估计 | 第29-30页 |
| 2.4.6 相关与聚类 | 第30-31页 |
| 2.5 验证方法 | 第31-33页 |
| 2.5.1 随机化对照 | 第31-32页 |
| 2.5.2 模型定量化分析 | 第32页 |
| 2.5.3 T检验 | 第32-33页 |
| 2.6 数据可靠性的分析与论证 | 第33-37页 |
| 2.6.1 反卷积算法的可靠性 | 第33-34页 |
| 2.6.2 衰减参数的选取可靠性 | 第34-36页 |
| 2.6.3 非静息状态选取的可靠性 | 第36-37页 |
| 2.7 本章小结 | 第37-38页 |
| 第3章 斑马鱼全脑多尺度观察窗口下的临界态无尺度特性 | 第38-45页 |
| 3.1 多尺度观察窗口处理 | 第38-39页 |
| 3.2 多尺度观察窗口下临界状态的判定 | 第39-41页 |
| 3.3 多种参数估计方法对比 | 第41-42页 |
| 3.4 随机对照中的相应特征对比 | 第42-43页 |
| 3.5 模型定量化对比 | 第43-44页 |
| 3.6 本章小结 | 第44-45页 |
| 第4章 斑马鱼全脑多尺度粗粒化分析中的临界态无尺度特性 | 第45-50页 |
| 4.1 多尺度粗粒化处理 | 第45-46页 |
| 4.2 多尺度粗粒化分析中临界状态的判定 | 第46-47页 |
| 4.3 多种参数估计方法对比 | 第47页 |
| 4.4 随机对照中的相应特征对比 | 第47-48页 |
| 4.5 模型定量化对比 | 第48-49页 |
| 4.6 本章小结 | 第49-50页 |
| 第5章 斑马鱼全脑多尺度粗粒化分析的有尺度特性 | 第50-54页 |
| 5.1 神经雪崩的组织形式 | 第50-51页 |
| 5.2 神经雪崩的相关性 | 第51-53页 |
| 5.3 全脑的功能连接 | 第53页 |
| 5.4 本章小结 | 第53-54页 |
| 结论 | 第54-55页 |
| 参考文献 | 第55-58页 |
| 攻读硕士学位期间所发表的学术论文 | 第58-59页 |
| 致谢 | 第59-60页 |
| 附录1：0、2、3号斑马鱼全脑多尺度观察窗口的临界态特征 | 第60-61页 |
| 附录2：0、2、3号斑马鱼全脑多粗粒化分析中的临界态特征 | 第61-62页 |
| 附录3：四组斑马鱼全脑多尺度观察窗口下的参数估计 | 第62-63页 |
| 附录4：四组斑马鱼全脑多粗粒化分析中的参数估计 | 第63页 |
