| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 引言 | 第8-12页 |
| 1 功能磁共振成像 | 第12-17页 |
| 1.1 fMRI简介 | 第12页 |
| 1.2 fMRI的物理基础 | 第12-13页 |
| 1.3 fMRI原理 | 第13-15页 |
| 1.3.1 BOLD对比 | 第13-14页 |
| 1.3.2 空间及时间分辨率 | 第14页 |
| 1.3.3 成像技术 | 第14-15页 |
| 1.4 fMRI的应用 | 第15-16页 |
| 1.5 fMRI的数据处理方法 | 第16-17页 |
| 2 统计参数图及其软件(SPM) | 第17-26页 |
| 2.1 SPM介绍 | 第17-18页 |
| 2.2 SPM的数学基础 | 第18-26页 |
| 2.2.1 一般线性模型概述 | 第18-21页 |
| 2.2.2 SPM中的一般线性模型 | 第21-22页 |
| 2.2.3 利用 SPM处理一组fMRI数据 | 第22-26页 |
| 3 独立成分分析(ICA) | 第26-31页 |
| 3.1 ICA的几种常用算法 | 第26-31页 |
| 3.1.1 ICA的优化模型 | 第26-27页 |
| 3.1.2 BS算法与扩展的BS法 | 第27-28页 |
| 3.1.3 负嫡最大化与不动点算法 | 第28-30页 |
| 3.1.4 非线性 PCA-最小二乘算法 | 第30页 |
| 3.1.5 EASI算法 | 第30-31页 |
| 4 ICA用于处理fMRI数据 | 第31-41页 |
| 4.1 模型建立 | 第31页 |
| 4.2 ICA处理fMRI数据存在的问题 | 第31-34页 |
| 4.2.1 独立成分的选择 | 第31-32页 |
| 4.2.2 独立成分的排序 | 第32页 |
| 4.2.3 算法选择 | 第32-33页 |
| 4.2.4 事件相关独立成分分析 | 第33页 |
| 4.2.5 独立成分分析与其数据处理方法 | 第33-34页 |
| 4.3 fMRI信号盲分离的一种 ICA算法 | 第34-38页 |
| 4.3.1 ICA的一个梯度算法 | 第34-36页 |
| 4.3.2 fMRI信号的盲分离 | 第36-38页 |
| 4.4 三种 ICA算法处理fMRI数据结果比较 | 第38-41页 |
| 4.4.1 Infomax算法和 FastICA算法处理fMRI数据结果的比较 | 第38-39页 |
| 4.4.2 新的ICA梯度算法-Orth-Infomax算法 | 第39页 |
| 4.4.3 fMRI数据 | 第39-41页 |
| 5 ROC方法评价 ICA算法处理真实fMRI数据 | 第41-46页 |
| 5.1 R0C方法的基本原理 | 第41-42页 |
| 5.2 R0C曲线 | 第42-43页 |
| 5.3 ROC方法评价 ICA算法处理真实fMRI数据 | 第43-44页 |
| 5.4 修正的ROC曲线 | 第44-46页 |
| 结论 | 第46-47页 |
| 参考文献 | 第47-53页 |
| 攻读硕士学位期间发表学术论文情况 | 第53-54页 |
| 致谢 | 第54-55页 |
| 大连理工大学学位论文版权使用授权书 | 第55页 |
