| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状及发展趋势 | 第11-14页 |
| 1.3 本文的研究内容 | 第14-15页 |
| 1.4 本文的组织结构 | 第15-17页 |
| 第2章 fNIRS原理分析及数据预处理 | 第17-32页 |
| 2.1 fNIRS及其优缺点 | 第17页 |
| 2.2 fNIRS基本原理 | 第17-20页 |
| 2.2.1 fNIRS的生理学原理 | 第18页 |
| 2.2.2 近红外光的吸收与散射作用 | 第18-19页 |
| 2.2.3 朗伯-比尔定律 | 第19-20页 |
| 2.3 实验对象及数据获取 | 第20-23页 |
| 2.3.1 实验对象 | 第20-21页 |
| 2.3.2 实验过程 | 第21-22页 |
| 2.3.3 数据获取 | 第22-23页 |
| 2.4 数据预处理 | 第23-30页 |
| 2.4.1 快速傅里叶变换 | 第24-28页 |
| 2.4.2 频谱分析 | 第28-29页 |
| 2.4.3 低通滤波 | 第29-30页 |
| 2.5 本章小结 | 第30-32页 |
| 第3章 基于一般线性模型的特征提取与分类 | 第32-50页 |
| 3.1 基于一般线性模型的特征提取 | 第32-40页 |
| 3.1.1 前额叶激活模式 | 第33-35页 |
| 3.1.2 一般线性模型（General Linear Model, GLM） | 第35页 |
| 3.1.3 特征提取 | 第35-37页 |
| 3.1.4 特征选择 | 第37-40页 |
| 3.2 SVM训练与分类 | 第40-47页 |
| 3.2.1 SVM（Support Vector Machine）简介 | 第40-45页 |
| 3.2.2 基于SVM的分类 | 第45-47页 |
| 3.3 实验结果分析 | 第47-48页 |
| 3.4 本章小结 | 第48-50页 |
| 第4章 基于脑网络属性分析的特征提取与分类 | 第50-66页 |
| 4.1 基于脑网络属性分析的特征提取 | 第50-58页 |
| 4.1.1 复杂网络概述 | 第50-51页 |
| 4.1.2 构建脑网络 | 第51-54页 |
| 4.1.3 特征提取 | 第54-58页 |
| 4.2 特征降维 | 第58-60页 |
| 4.3 实验结果分析 | 第60-64页 |
| 4.3.1 单属性分类结果 | 第60-62页 |
| 4.3.2 多属性组合特征分类结果 | 第62-64页 |
| 4.4 两种特征提取方法分类结果的对比与分析 | 第64-65页 |
| 4.5 本章小结 | 第65-66页 |
| 总结与展望 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 致谢 | 第72页 |