| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第一章 绪论 | 第8-14页 |
| ·脑研究概述 | 第8页 |
| ·脑研究技术现状 | 第8-11页 |
| ·脑研成像技术发展 | 第8-9页 |
| ·基于核磁数据的机器学习方法研究现状 | 第9-10页 |
| ·张量技术的特点与应用 | 第10-11页 |
| ·本文所解决的问题 | 第11页 |
| ·全文结构概述 | 第11-14页 |
| 第二章 磁共振成像技术 | 第14-18页 |
| ·核磁共振技术概述 | 第14页 |
| ·磁共振图像数据特点 | 第14-15页 |
| ·图像数据信噪比 | 第14页 |
| ·BOLD 信号的滞后特性 | 第14-15页 |
| ·磁共振数据预处理 | 第15-16页 |
| ·本章小结 | 第16-18页 |
| 第三章 基于P-NTF算法的脑认知状态fMRI分类 | 第18-48页 |
| ·张量基础 | 第18-23页 |
| ·张量的基本概念 | 第18-19页 |
| ·张量的基本运算 | 第19-20页 |
| ·张量基本分解模型 | 第20-23页 |
| ·投影式非负张量分解（P-NTF）算法原理 | 第23-29页 |
| ·投影非负矩阵分解算法（P-NMF） | 第24-26页 |
| ·投影式非负张量分解算法（P-NTF） | 第26-29页 |
| ·投影式非负张量分解算法（P-NTF）特性 | 第29-35页 |
| ·人脸FERET数据库实验 | 第30-31页 |
| ·USF步态数据库实验 | 第31-35页 |
| ·P-NTF在脑认知fMRI 数据分类应用 | 第35-45页 |
| ·仿真数据实验 | 第36-40页 |
| ·支持张量机算法原理 | 第40-41页 |
| ·不同脑认知状态fMRI数据分类 | 第41-45页 |
| ·本章小结 | 第45-48页 |
| 第四章 多模态多特征多分类器的AD病人诊断 | 第48-60页 |
| ·研究背景 | 第48-49页 |
| ·实验样本的多特征选取 | 第49-52页 |
| ·磁共振成像数据采集 | 第49-51页 |
| ·MRI数据特征预处理 | 第51-52页 |
| ·多分类器选取 | 第52-58页 |
| ·MLDA分类器特性 | 第52-55页 |
| ·支持向量机原理 | 第55-56页 |
| ·多分类器系统 | 第56-58页 |
| ·实验结果 | 第58页 |
| ·本章小结 | 第58-60页 |
| 第五章 总结与展望 | 第60-62页 |
| ·总结 | 第60页 |
| ·展望 | 第60-62页 |
| 致谢 | 第62-64页 |
| 作者在硕士期间参加的课题及成果 | 第64-66页 |
| 参考文献 | 第66-72页 |