| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 论文的主要研究内容 | 第12页 |
| 1.4 本文的组织结构 | 第12-15页 |
| 第2章 相关知识介绍 | 第15-27页 |
| 2.1 功能磁共振成像概述 | 第15-19页 |
| 2.1.1 功能磁共振成像原理 | 第15页 |
| 2.1.2 功能磁共振成像术语 | 第15-16页 |
| 2.1.3 功能磁共振成像优缺点 | 第16-17页 |
| 2.1.4 功能磁共振成像实验设计 | 第17-18页 |
| 2.1.5 功能磁共振成像数据预处理 | 第18-19页 |
| 2.2 深度学习 | 第19-25页 |
| 2.2.1 深度学习原理 | 第19-20页 |
| 2.2.2 受限玻尔兹曼机 | 第20-21页 |
| 2.2.3 卷积神经网络 | 第21-22页 |
| 2.2.4 循环神经网络 | 第22-23页 |
| 2.2.5 自编码神经网络 | 第23-24页 |
| 2.2.6 深度信念网络 | 第24-25页 |
| 2.3 本章小结 | 第25-27页 |
| 第3章 基于卷积神经网络的fMRI数据分类方法研究 | 第27-41页 |
| 3.1 基本思想 | 第27-28页 |
| 3.2 基于卷积神经网络的fMRI数据分类模型 | 第28-31页 |
| 3.2.1 模型框架 | 第28页 |
| 3.2.2 RBM结构设计 | 第28-29页 |
| 3.2.3 CNN初始化参数构造 | 第29-31页 |
| 3.2.4 CNN模型训练 | 第31页 |
| 3.3 实验与分析 | 第31-38页 |
| 3.3.1 实验数据与预处理 | 第31-33页 |
| 3.3.2 受限玻尔兹曼机初始化卷积核的效果实验 | 第33-36页 |
| 3.3.3 多种经典算法分类结果的对比实验 | 第36-38页 |
| 3.4 本章小结 | 第38-41页 |
| 第4章 基于循环神经网络的时序fMRI数据分类方法研究 | 第41-51页 |
| 4.1 基本思想 | 第41页 |
| 4.2 基于循环神经网络的时序fMRI数据分类模型 | 第41-45页 |
| 4.2.1 模型框架 | 第41-42页 |
| 4.2.2 基于CNN的局部特征检测 | 第42-43页 |
| 4.2.3 基于无标注数据的序列数据构建 | 第43-44页 |
| 4.2.4 基于RNN的时序特征抽取 | 第44-45页 |
| 4.3 实验与分析 | 第45-49页 |
| 4.3.1 实验数据与预处理 | 第45页 |
| 4.3.2 循环神经网络提取时序特征的效果实验 | 第45-47页 |
| 4.3.3 融入休息态无标注数据的分类效果实验 | 第47-48页 |
| 4.3.4 多种经典算法分类结果的对比实验 | 第48-49页 |
| 4.4 本章小结 | 第49-51页 |
| 结论 | 第51-53页 |
| 参考文献 | 第53-57页 |
| 攻读硕士学位期间所发表的学术论文 | 第57-59页 |
| 致谢 | 第59页 |
