| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 1 绪论 | 第8-17页 |
| 1.1 研究背景和意义 | 第8页 |
| 1.2 国内外研究现状及发展趋势 | 第8-14页 |
| 1.2.1 大脑功能网络的节点定义 | 第8-10页 |
| 1.2.2 大脑功能网络的边定义 | 第10-11页 |
| 1.2.3 大脑功能连接的动态性 | 第11-12页 |
| 1.2.4 特征提取与分类在大脑功能性连接上的应用 | 第12-14页 |
| 1.3 本文框架与主要内容 | 第14-16页 |
| 1.3.1 大脑功能连接动态分析总体研究框架 | 第14-15页 |
| 1.3.2 论文的主要工作及内容安排 | 第15-16页 |
| 1.4 本章小结 | 第16-17页 |
| 2 fMRI成像原理与预处理 | 第17-26页 |
| 2.1 fMRI成像原理 | 第17-19页 |
| 2.2 fMRI预处理 | 第19-26页 |
| 2.2.1 数据转换 | 第20页 |
| 2.2.2 时间层校正 | 第20-21页 |
| 2.2.3 头动校正 | 第21-23页 |
| 2.2.4 配准 | 第23页 |
| 2.2.5 空间标准化 | 第23-24页 |
| 2.2.6 平滑 | 第24-25页 |
| 2.2.7 ROI提取 | 第25-26页 |
| 3 大脑功能连接动态性检测 | 第26-41页 |
| 3.1 贝叶斯连接转换点模型 | 第26-27页 |
| 3.2 基于Fisher判别准则的时间序列切分方法 | 第27-31页 |
| 3.2.1 Fisher判别准则 | 第27-29页 |
| 3.2.2 遗传算法 | 第29-30页 |
| 3.2.3 算法步骤 | 第30-31页 |
| 3.3 K均值聚类算法 | 第31-33页 |
| 3.3.1 算法原理 | 第31-32页 |
| 3.3.2 算法步骤 | 第32-33页 |
| 3.4 谱聚类算法 | 第33-36页 |
| 3.4.1 算法概述 | 第33页 |
| 3.4.2 图的概念 | 第33页 |
| 3.4.3 图的拉普拉斯矩阵 | 第33-34页 |
| 3.4.4 最优化准则 | 第34-35页 |
| 3.4.5 算法步骤 | 第35-36页 |
| 3.5 对比实验 | 第36-41页 |
| 3.5.1 实验目的 | 第36页 |
| 3.5.2 实验数据 | 第36-37页 |
| 3.5.3 实验设计 | 第37页 |
| 3.5.4 实验结果与分析 | 第37-41页 |
| 4 基于LBEM和ELM的脑功能连接动态分析模型 | 第41-50页 |
| 4.1 模型结构 | 第41页 |
| 4.2 二进制编码局部特征提取方法 | 第41-43页 |
| 4.3 基于极限学习机的有监督分类 | 第43-46页 |
| 4.3.1 ELM | 第43-45页 |
| 4.3.2 KELM | 第45-46页 |
| 4.4 对比实验 | 第46-50页 |
| 4.4.1 实验目的 | 第46页 |
| 4.4.2 实验数据 | 第46-47页 |
| 4.4.3 实验设计 | 第47-48页 |
| 4.4.4 实验结果与分析 | 第48-50页 |
| 5 大脑功能连接模式识别系统 | 第50-58页 |
| 5.1 引言 | 第50页 |
| 5.2 系统概述 | 第50-54页 |
| 5.2.1 系统简介 | 第50页 |
| 5.2.2 开发环境 | 第50页 |
| 5.2.3 主要开发语言及平台 | 第50-51页 |
| 5.2.4 系统流程图 | 第51页 |
| 5.2.5 系统模块设计 | 第51-53页 |
| 5.2.6 用户界面设计 | 第53-54页 |
| 5.3 系统各模块技术分析 | 第54-56页 |
| 5.3.1 预处理模块 | 第54-55页 |
| 5.3.2 动态性检测模块 | 第55-56页 |
| 5.3.3 特征提取模块 | 第56页 |
| 5.3.4 分类与结果显示模块 | 第56页 |
| 5.3.5 数据导出模块 | 第56页 |
| 5.4 系统测试 | 第56-58页 |
| 5.4.1 关键参数设置 | 第56-57页 |
| 5.4.2 测试结果 | 第57-58页 |
| 6 结论 | 第58-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 附录 | 第64页 |