| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.1.1 研究背景 | 第11-12页 |
| 1.1.2 研究意义 | 第12页 |
| 1.2 研究现状 | 第12-15页 |
| 1.2.1 自闭症谱系障碍的眼动研究 | 第12-13页 |
| 1.2.2 机器学习在自闭症谱系障碍预测中的应用 | 第13-14页 |
| 1.2.3 深度学习图像分类模型 | 第14-15页 |
| 1.3 研究内容 | 第15-16页 |
| 1.3.1 基于双路径网络的自闭症谱系障碍预测框架 | 第15页 |
| 1.3.2 基于高阶简单循环单元的自闭症谱系障碍预测框架 | 第15页 |
| 1.3.3 基于循环神经网络的自闭症谱系障碍预测框架 | 第15-16页 |
| 1.4 论文组织结构 | 第16-19页 |
| 第二章 相关技术 | 第19-31页 |
| 2.1 深度残差网络 | 第19-21页 |
| 2.1.1 残差学习 | 第19-20页 |
| 2.1.2 残差单元 | 第20页 |
| 2.1.3 网络设计 | 第20-21页 |
| 2.2 密集连接网络 | 第21-24页 |
| 2.2.1 密集连接 | 第22页 |
| 2.2.2 网络设计 | 第22-24页 |
| 2.3 长短期记忆网络 | 第24-27页 |
| 2.3.1 循环神经网络 | 第24-25页 |
| 2.3.2 长短期记忆网络 | 第25-26页 |
| 2.3.3 深层LSTM网络 | 第26-27页 |
| 2.4 不均衡学习 | 第27-30页 |
| 2.4.1 过采样方法 | 第27-28页 |
| 2.4.2 分类评价指标 | 第28-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第三章 眼动数据 | 第31-37页 |
| 3.1 数据采集 | 第31-32页 |
| 3.2 样本生成 | 第32-33页 |
| 3.2.1 特征选择 | 第32页 |
| 3.2.2 缺失值填补 | 第32-33页 |
| 3.3 样本处理 | 第33-36页 |
| 3.3.1 合成过采样 | 第33-35页 |
| 3.3.2 数据标准化 | 第35-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第四章 基于双路径网络的自闭症谱系障碍预测框架 | 第37-49页 |
| 4.1 双路径网络 | 第37-41页 |
| 4.1.1 基本单元 | 第37-38页 |
| 4.1.2 网络设计 | 第38-39页 |
| 4.1.3 网络改进 | 第39-41页 |
| 4.2 实验 | 第41-47页 |
| 4.2.1 实验配置 | 第41-43页 |
| 4.2.2 对比实验 | 第43-46页 |
| 4.2.3 实验分析 | 第46-47页 |
| 4.3 本章小结 | 第47-49页 |
| 第五章 基于高阶简单循环单元的自闭症谱系障碍预测框架 | 第49-59页 |
| 5.1 简单循环单元 | 第49-50页 |
| 5.1.1 基本结构 | 第49-50页 |
| 5.1.2 模型对比 | 第50页 |
| 5.2 高阶循环神经网络 | 第50-54页 |
| 5.2.1 关键思想 | 第51-52页 |
| 5.2.2 池化函数 | 第52-54页 |
| 5.3 高阶简单循环神经网络 | 第54-56页 |
| 5.3.1 关键思想 | 第54页 |
| 5.3.2 基本结构 | 第54-56页 |
| 5.4 实验 | 第56-58页 |
| 5.4.1 实验配置 | 第56页 |
| 5.4.2 对比实验 | 第56-57页 |
| 5.4.3 实验分析 | 第57-58页 |
| 5.5 本章小结 | 第58-59页 |
| 第六章 基于循环神经网络的自闭症谱系障碍预测框架 | 第59-63页 |
| 6.1 融合模型 | 第59-60页 |
| 6.1.1 关键思想 | 第59页 |
| 6.1.2 基本结构 | 第59-60页 |
| 6.2 实验 | 第60-61页 |
| 6.2.1 实验配置 | 第60页 |
| 6.2.2 对比实验 | 第60-61页 |
| 6.2.3 实验分析 | 第61页 |
| 6.3 本章小结 | 第61-63页 |
| 第七章 总结与展望 | 第63-65页 |
| 7.1 总结 | 第63-64页 |
| 7.2 展望 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 致谢 | 第69-71页 |
| 攻读学位期间研究成果 | 第71页 |
