| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 本论文研究的目的和意义 | 第9-10页 |
| 1.2 国内外研究现状及发展趋势 | 第10-12页 |
| 1.3 本论文的研究内容 | 第12-14页 |
| 1.4 本论文的组织结构 | 第14-15页 |
| 第2章 FNIRS数据采集及预处理 | 第15-27页 |
| 2.1 FNIRS概述 | 第15-16页 |
| 2.2 FNIRS基本原理 | 第16-19页 |
| 2.2.1 吸收作用 | 第16-17页 |
| 2.2.2 散射作用 | 第17-18页 |
| 2.2.3 血氧浓度的计算 | 第18-19页 |
| 2.3 FNIRS数据采集 | 第19-21页 |
| 2.3.1 研究对象 | 第19页 |
| 2.3.2 实验仪器 | 第19-20页 |
| 2.3.3 实验设计及数据采集 | 第20-21页 |
| 2.4 FNIRS数据预处理 | 第21-26页 |
| 2.4.1 频谱分析 | 第21-24页 |
| 2.4.2 带通滤波 | 第24-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第3章 FNIRS数据特征提取 | 第27-46页 |
| 3.1 基于一般线性模型的FNIRS数据特征提取 | 第27-32页 |
| 3.1.1 一般线性模型 | 第27-28页 |
| 3.1.2 应用一般线性模型提取FNIRS数据特征的可行性分析 | 第28-30页 |
| 3.1.3 应用一般线性模型提取FNIRS数据 β 系数 | 第30-32页 |
| 3.2 基于小波包分解的FNIRS数据特征提取 | 第32-45页 |
| 3.2.1 小波分解 | 第33-36页 |
| 3.2.2 小波包分解 | 第36-37页 |
| 3.2.3 小波包分解算法 | 第37-38页 |
| 3.2.4 小波包分解提取FNIRS数据特征可行性分析 | 第38-39页 |
| 3.2.5 FNIRS信号小波包分解及能量特征提取 | 第39-45页 |
| 3.3 本章小结 | 第45-46页 |
| 第4章 抑郁症患者自动判别 | 第46-55页 |
| 4.1 支持向量机 | 第46-51页 |
| 4.1.1 VC维理论 | 第46-47页 |
| 4.1.2 推广性的界 | 第47-48页 |
| 4.1.3 结构风险最小化原则 | 第48-49页 |
| 4.1.4 最优分类面 | 第49-50页 |
| 4.1.5 线性情况 | 第50-51页 |
| 4.2 基于SVM的FNIRS数据分类器训练 | 第51-52页 |
| 4.3 基于SVM的FNIRS数据分类器测试及实验结果讨论 | 第52-54页 |
| 4.4 本章小结 | 第54-55页 |
| 第5章 总结与展望 | 第55-57页 |
| 5.1 本论文工作总结 | 第55页 |
| 5.2 展望 | 第55-57页 |
| 参考文献 | 第57-60页 |
| 攻读学位期间发表论文与研究成果清单 | 第60-61页 |
| 致谢 | 第61页 |
