| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第11-20页 |
| 1.1 面孔识别能力研究背景 | 第11-14页 |
| 1.1.1 面孔识别能力研究的重要性 | 第11-12页 |
| 1.1.2 基于功能磁共振成像技术的面孔加工神经机制研究 | 第12-13页 |
| 1.1.3 已有研究存在的问题 | 第13-14页 |
| 1.2 静息态fMRI简介 | 第14-17页 |
| 1.2.1 静息态fMRI的基本原理 | 第14-15页 |
| 1.2.2 静息态fMRI的应用优势 | 第15-16页 |
| 1.2.3 静息态fMRI数据分析常用方法 | 第16-17页 |
| 1.3 本文主要研究工作 | 第17-20页 |
| 1.3.1 研究内容 | 第17页 |
| 1.3.2 研究意义 | 第17-18页 |
| 1.3.3 研究创新点 | 第18页 |
| 1.3.4 本文结构 | 第18-20页 |
| 2 数据采集与预处理 | 第20-25页 |
| 2.1 研究对象 | 第20页 |
| 2.2 fMRI数据采集与预处理 | 第20-22页 |
| 2.2.1 fMRI数据采集参数 | 第20页 |
| 2.2.2 数据预处理 | 第20-22页 |
| 2.3 面孔识别能力实验数据采集与处理 | 第22-24页 |
| 2.3.1 实验设计与数据采集 | 第22-23页 |
| 2.3.2 面孔识别能力指标的获取 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 3 基于脑功能网络的单变量分析 | 第25-37页 |
| 3.1 静息态功能网络的图论分析 | 第25-29页 |
| 3.2 静息态功能网络的小世界特性 | 第29-32页 |
| 3.3 网络参数与行为指标的相关分析 | 第32-35页 |
| 3.4 本章小结 | 第35-37页 |
| 4 基于弹性网回归的多变量行为预测 | 第37-57页 |
| 4.1 多变量模式分析简介 | 第37页 |
| 4.2 弹性网回归方法简介 | 第37-39页 |
| 4.2.1 弹性网回归方法的基本原理 | 第38页 |
| 4.2.2 弹性网回归方法的优点 | 第38-39页 |
| 4.3 基于弹性网回归的多变量行为预测 | 第39-42页 |
| 4.3.1 脑区的精简与预测因子的粗筛选 | 第39页 |
| 4.3.2 基于弹性网回归的行为预测 | 第39-42页 |
| 4.4 置换检验 | 第42-43页 |
| 4.5 行为预测结果的讨论与分析 | 第43-56页 |
| 4.5.1 预测结果的功能连接分析 | 第43-46页 |
| 4.5.2 预测结果的节点分析 | 第46-54页 |
| 4.5.3 讨论与分析 | 第54-56页 |
| 4.6 本章小结 | 第56-57页 |
| 5 总结及展望 | 第57-58页 |
| 参考文献 | 第58-63页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第63-65页 |
| 学位论文数据集 | 第65页 |