| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第13-21页 |
| 1.1 课题背景 | 第13页 |
| 1.2 基于多体素模式分析的fMRI视觉信息解码技术研究 | 第13-18页 |
| 1.2.1 功能磁共振成像技术简介 | 第13-14页 |
| 1.2.2 基于多体素模式分析的视觉解码方法概述 | 第14-18页 |
| 1.3 课题研究内容与意义 | 第18-19页 |
| 1.3.1 课题研究内容 | 第18-19页 |
| 1.3.2 课题研究意义 | 第19页 |
| 1.4 论文结构与安排 | 第19-21页 |
| 第二章 基于主特征分析的体素选择方法 | 第21-37页 |
| 2.1 fMRI体素选择方法概述 | 第21-27页 |
| 2.1.1 基于感兴趣区域的体素选择方法 | 第22-23页 |
| 2.1.2 基于单变量分析的体素选择方法 | 第23-24页 |
| 2.1.3 基于多变量分析的体素选择方法 | 第24-27页 |
| 2.2 基于主特征分析的体素选择方法 | 第27-29页 |
| 2.2.1 背景 | 第28页 |
| 2.2.2 算法原理 | 第28-29页 |
| 2.3 经由频域的主特征分析方法 | 第29页 |
| 2.3.1 算法原理 | 第29页 |
| 2.4 图像四分类实验 | 第29-35页 |
| 2.4.1 实验材料 | 第30-32页 |
| 2.4.2 结果分析 | 第32-35页 |
| 2.5 本章小结 | 第35-37页 |
| 第三章 基于稀疏学习的维数约减方法 | 第37-55页 |
| 3.1 fMRI维数约减方法概述 | 第37-43页 |
| 3.1.1 主成分分析 | 第37-38页 |
| 3.1.2 多维尺度分析 | 第38-41页 |
| 3.1.3 独立成分分析 | 第41-43页 |
| 3.2 基于稀疏学习的维数约减方法 | 第43-48页 |
| 3.2.1 稀疏学习方法概述 | 第43-45页 |
| 3.2.2 基于PCA稀疏学习的维数约减方法 | 第45-47页 |
| 3.2.3 基于MDS稀疏学习的维数约减方法 | 第47-48页 |
| 3.3 图像四分类实验 | 第48-53页 |
| 3.3.1 稀疏学习特征的分类性能 | 第48-50页 |
| 3.3.2 稀疏学习特征空间中的样本分布 | 第50-51页 |
| 3.3.3 稀疏学习特征的可解释性分析 | 第51-53页 |
| 3.4 本章小结 | 第53-55页 |
| 第四章 基于MVPA的视觉信息解码方法 | 第55-65页 |
| 4.1 分类器选择 | 第55-60页 |
| 4.1.1 线性分类器 | 第55-58页 |
| 4.1.2 非线性分类器 | 第58-60页 |
| 4.2 两种MVPA解码方法 | 第60-63页 |
| 4.2.1 一种基于主特征分析的解码方法 | 第61-62页 |
| 4.2.2 一种基于稀疏学习降维的解码方法 | 第62-63页 |
| 4.3 本章小结 | 第63-65页 |
| 第五章 fMRI视觉信息解码的敏锐度分析 | 第65-77页 |
| 5.1 多体素模式的敏锐度分析 | 第65-69页 |
| 5.2 高空间频率信息辅助的fMRI分类研究 | 第69-74页 |
| 5.2.1 图像字典的训练 | 第70-72页 |
| 5.2.2 特征的组合 | 第72-74页 |
| 5.3 图像四分类实验结果分析 | 第74-75页 |
| 5.4 本章小结 | 第75-77页 |
| 第六章 总结与展望 | 第77-81页 |
| 6.1 总结 | 第77-78页 |
| 6.2 展望 | 第78-81页 |
| 致谢 | 第81-83页 |
| 参考文献 | 第83-87页 |
| 作者简历 | 第87页 |