| 摘要 | 第6-9页 |
| Abstract | 第9-12页 |
| 第一章 绪论 | 第16-34页 |
| 1.1 因果 | 第16-22页 |
| 1.1.1 哲学中的因果 | 第17-21页 |
| 1.1.2 汉语中的因果 | 第21-22页 |
| 1.2 脑科学中的因果 | 第22-25页 |
| 1.2.1 效应连接网络 | 第22-23页 |
| 1.2.2 动力学因果模型 | 第23-25页 |
| 1.3 Wiener-Granger因果 | 第25-32页 |
| 1.3.1 Wiener因果模型 | 第25-26页 |
| 1.3.2 Granger因果模型 | 第26-28页 |
| 1.3.3 Granger因果分析的路径系数法 | 第28-29页 |
| 1.3.4 转移熵 | 第29-32页 |
| 1.4 本文的研究内容及组织结构 | 第32-34页 |
| 第二章 Granger因果路径系数法在fMRI数据中适用性的研究 | 第34-60页 |
| 2.1 背景介绍 | 第34-35页 |
| 2.2 信息准则模型阶数的确定 | 第35-37页 |
| 2.3 实验数据和结果 | 第37-42页 |
| 2.3.1 实验数据 | 第37-38页 |
| 2.3.2 图像预处理 | 第38-39页 |
| 2.3.3 计算方法与结果 | 第39-42页 |
| 2.4 模拟数据与结果 | 第42-56页 |
| 2.4.1 模型2.1.一个无法应用路径系数因果的三阶自回归模型 | 第43-46页 |
| 2.4.2 模型2.2.近似于一阶自回归的三阶自回归模型 | 第46-48页 |
| 2.4.3 模型2.3.存在一阶交互激励自回归模型 | 第48-51页 |
| 2.4.4 模型2.4.存在一阶自相关的自回归模型 | 第51-54页 |
| 2.4.5 模型2.5.更高阶的自回归模型 | 第54-56页 |
| 2.5 结果讨论 | 第56-60页 |
| 第三章 数据中非线性因果的度量 | 第60-74页 |
| 3.1 高斯分布下Granger因果与转移熵的等价性 | 第60-61页 |
| 3.2 fMRI功能连接与效应连接中的非线性关系 | 第61-62页 |
| 3.3 替代数据变换 | 第62-63页 |
| 3.4 模拟结果 | 第63-68页 |
| 3.4.1 模型3.1 | 第64页 |
| 3.4.2 模型3.2 | 第64-67页 |
| 3.4.3 模型3.3 | 第67-68页 |
| 3.5 fMRI与EEG的计算结果 | 第68-70页 |
| 3.6 结果讨论 | 第70-74页 |
| 第四章 因果分析的子集回归与非一致内嵌方法 | 第74-97页 |
| 4.1 背景介绍 | 第74-78页 |
| 4.1.1 自回归模型中的子集回归策略 | 第74-76页 |
| 4.1.2 转移熵的非一致内嵌策略 | 第76-78页 |
| 4.2 基于条件共信息的几种特征选择标准 | 第78-82页 |
| 4.2.1 MRMR (Minimum-Redundancy Maximum-Relevance) 67 | 第78-79页 |
| 4.2.2 JMI (Joint Mutual Information) | 第79-80页 |
| 4.2.3 CIFE (Conditional Infomax Feature Extraction) | 第80页 |
| 4.2.4 CMIM(Conditional Mutual Information Maximization) | 第80页 |
| 4.2.5 DISR(Double Input Symmetrical Relevance) | 第80-81页 |
| 4.2.6 CDC & CIC | 第81-82页 |
| 4.3 模拟数据的结果 | 第82-88页 |
| 4.3.1 模型4.1 | 第83-85页 |
| 4.3.2 模型4.2 | 第85-87页 |
| 4.3.3 模型4.3 | 第87页 |
| 4.3.4 模型4.4 | 第87-88页 |
| 4.4 ECoG癫痫数据分析结果 | 第88-90页 |
| 4.5 结果讨论 | 第90-97页 |
| 第五章 总结与展望 | 第97-100页 |
| 5.1 本文研究总结 | 第97-98页 |
| 5.2 未来工作展望 | 第98-100页 |
| 参考文献 | 第100-111页 |
| 攻读博士学位期间主要研究成果 | 第111-112页 |
| 致谢 | 第112-113页 |
| 个人简历 | 第113页 |
