| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 引言 | 第8-13页 |
| 1 功能磁共振成像 | 第13-19页 |
| 1．1 功能磁共振成像的简介 | 第13页 |
| 1．2 功能磁共振成像的原理 | 第13-14页 |
| 1．3 功能磁共振成像的应用 | 第14-15页 |
| 1．4 功能磁共振成像数据的处理工具—统计参数图 | 第15-19页 |
| 1．4．1 SPM的简介 | 第15-16页 |
| 1．4．2 SPM的数学原理 | 第16-19页 |
| 2 独立成分分析 | 第19-27页 |
| 2．1 独立成分分析简介 | 第19页 |
| 2．2 ICA的几种常用算法 | 第19-25页 |
| 2．2．1 互信息最小化 | 第20页 |
| 2．2．2 BS算法与扩展的 BS法 | 第20-22页 |
| 2．2．3 极大似然估计 | 第22-23页 |
| 2．2．4 非高斯性最大化 | 第23-24页 |
| 2．2．5 非线性 PCA-最小二乘算法 | 第24-25页 |
| 2．3 独立成分分析用于处理 fMRI数据 | 第25-27页 |
| 2．3．1 模型建立 | 第25页 |
| 2．3．2 利用独立成分分析处理 fMRI数据的方法 | 第25-27页 |
| 3 利用 ICA的一个新的不动点算法结合 PCA处理 fMRI数据 | 第27-37页 |
| 3．1 ICA的新的不动点算法 | 第27-29页 |
| 3．2 在处理 fMRI数据中 ICA的模型 | 第29-30页 |
| 3．3 源信号的估计 | 第30-33页 |
| 3．3．1 主成分分析简介 | 第30-33页 |
| 3．3．2 估计源信号的个数 | 第33页 |
| 3．4 实验 | 第33-35页 |
| 3．4．1 材料和方法 | 第33-34页 |
| 3．4．2 实验结果及分析 | 第34-35页 |
| 3．5 结论 | 第35-37页 |
| 4 分离成组的 fMRI数据的 ICA方法 | 第37-44页 |
| 4．1 研究 Group ICA的意义 | 第37页 |
| 4．2 Group ICA的三种方法 | 第37-41页 |
| 4．2．1 第一种方法 | 第37页 |
| 4．2．2 第二种方法 | 第37-38页 |
| 4．2．3 第三种方法 | 第38-41页 |
| 4．3 NewFP算法结合 Group ICA处理真实的fMRI数据 | 第41-43页 |
| 4．3．1 材料和方法 | 第41-42页 |
| 4．3．2 实验结果及分析 | 第42-43页 |
| 4．4 结论 | 第43-44页 |
| 结论 | 第44-45页 |
| 参考文献 | 第45-49页 |
| 攻读硕士学位期间发表学术论文情况 | 第49-50页 |
| 致谢 | 第50-51页 |
| 大连理工大学学位论文版权使用授权书 | 第51页 |
