| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 课题研究背景及意义 | 第10-13页 |
| 1.2 课题研究现状 | 第13-17页 |
| 1.2.1 静息态功能连接和自闭症的研究现状 | 第13-14页 |
| 1.2.2 脑网络社团结构的研究现状 | 第14-16页 |
| 1.2.3 使用深度学习对脑疾病进行诊断的研究现状 | 第16-17页 |
| 1.3 本文主要研究内容和创新点 | 第17-18页 |
| 1.4 本文组织结构安排 | 第18-20页 |
| 第二章 数据预处理和脑网络构建 | 第20-26页 |
| 2.1 数据获取和描述 | 第20-21页 |
| 2.1.1 加州理工学院数据集 | 第20-21页 |
| 2.1.2 密歇根大学数据集 | 第21页 |
| 2.2 rs-fMRI数据预处理 | 第21-23页 |
| 2.3 脑功能网络构建 | 第23-24页 |
| 2.4 本章小结 | 第24-26页 |
| 第三章 基于遗传算法的社团划分算法 | 第26-32页 |
| 3.1 社团划分 | 第26-27页 |
| 3.2 GAcut算法描述 | 第27-29页 |
| 3.2.1 社团结构表示 | 第27-28页 |
| 3.2.2 遗传算法操作 | 第28-29页 |
| 3.2.3 目标函数 | 第29页 |
| 3.3 算法测试结果 | 第29-31页 |
| 3.3.1 测试数据集 | 第29页 |
| 3.3.2 实验结果 | 第29-31页 |
| 3.4 本章小结 | 第31-32页 |
| 第四章 脑网络社团结构特征分析 | 第32-39页 |
| 4.1 模块度分析 | 第32-33页 |
| 4.2 标准化互信息分析 | 第33-34页 |
| 4.3 GAcut算法在脑网络划分上的有效性分析 | 第34-35页 |
| 4.4 脑网络社团结构特征分析 | 第35-37页 |
| 4.5 本章小结 | 第37-39页 |
| 第五章 基于深度学习的自闭症诊断方法 | 第39-48页 |
| 5.1 深度降噪自动编码器 | 第39-40页 |
| 5.2 基于深度降噪自动编码器的两种自闭症诊断方法 | 第40-43页 |
| 5.2.1 NMI统计矩阵 | 第42页 |
| 5.2.2 组皮尔森相关性矩阵 | 第42-43页 |
| 5.3 留一法交叉验证 | 第43页 |
| 5.4 实验结果与分析 | 第43-47页 |
| 5.4.1 诊断准确率 | 第43-46页 |
| 5.4.2 计算成本 | 第46-47页 |
| 5.5 本章小结 | 第47-48页 |
| 第六章 总结与展望 | 第48-51页 |
| 6.1 论文总结 | 第48-49页 |
| 6.2 工作展望 | 第49-51页 |
| 参考文献 | 第51-57页 |
| 致谢 | 第57-58页 |
| 攻读硕士期间发表的论文 | 第58页 |