| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景和研究意义 | 第11-15页 |
| 1.1.1 自杀临床指标模型研究 | 第11-12页 |
| 1.1.2 模式分类在心境障碍脑影像分析中的应用 | 第12-14页 |
| 1.1.3 半监督学习的研究 | 第14-15页 |
| 1.2 本文的工作创新和贡献 | 第15页 |
| 1.3 本文的组织结构 | 第15-17页 |
| 第二章 静息态脑连接特征的半监督机器学习模型研究 | 第17-22页 |
| 2.1 半监督学习算法 | 第17-19页 |
| 2.1.1 半监督学习算法产生 | 第17页 |
| 2.1.2 半监督学习算法分类 | 第17-19页 |
| 2.2 非明确标签聚类 | 第19-22页 |
| 2.2.1 聚类方法分类 | 第19-20页 |
| 2.2.2 聚类效果评价 | 第20-22页 |
| 第三章 基于静息态核磁共振的抑郁症患者是否伴自杀意念的脑功能连接模型研究 | 第22-42页 |
| 3.1 引言 | 第22-23页 |
| 3.2 实验数据采集和研究对象 | 第23-25页 |
| 3.2.1 磁共振数据采集 | 第23-24页 |
| 3.2.2 实验对象 | 第24-25页 |
| 3.3 实验数据分析方法 | 第25-26页 |
| 3.3.1 数据预处理 | 第25-26页 |
| 3.3.2 功能连接特征计算 | 第26页 |
| 3.4 基于半监督机器学习的特征筛选 | 第26-28页 |
| 3.5 聚类分析 | 第28-31页 |
| 3.5.1 聚类算法介绍 | 第28-29页 |
| 3.5.2 聚类个数确定 | 第29页 |
| 3.5.3 聚类效果评价 | 第29-31页 |
| 3.6 模型特征对聚类贡献度评价 | 第31-32页 |
| 3.6.1 留一法排序 | 第31页 |
| 3.6.2 Kendall系数排序 | 第31-32页 |
| 3.6.3 Fisher准则排序 | 第32页 |
| 3.7 特征与自杀意念相关性分析 | 第32-33页 |
| 3.8 非监督方法结果与半监督方法结果对比 | 第33页 |
| 3.9 结果与讨论 | 第33-42页 |
| 3.9.1 特征相似性度量聚类后所得集合结果 | 第33-35页 |
| 3.9.2 特征分辨能力计算结果 | 第35-37页 |
| 3.9.3 筛选所得特征与自杀因子分的关系 | 第37页 |
| 3.9.4 不同自杀意念组脑网络之间的图论差异 | 第37-38页 |
| 3.9.5 半监督方法相对非监督方法在筛选特征上的优越性 | 第38-39页 |
| 3.9.6 结果讨论 | 第39-42页 |
| 第四章 评估抑郁症患者自杀意念严重程度的脑网络模块化动态特性研究 | 第42-60页 |
| 4.1 引言 | 第42-43页 |
| 4.2 实验数据采集和研究对象 | 第43-44页 |
| 4.2.1 磁共振数据采集 | 第43页 |
| 4.2.2 实验对象 | 第43-44页 |
| 4.3 实验数据分析方法 | 第44-45页 |
| 4.3.1 数据预处理 | 第44页 |
| 4.3.2 功能连接稀疏度计算 | 第44-45页 |
| 4.4 脑模块化与动态指标计算 | 第45-47页 |
| 4.4.1 动态模块化模型构建 | 第45-46页 |
| 4.4.2 动态模块化参数计算 | 第46-47页 |
| 4.5 小样本循环特征筛选 | 第47页 |
| 4.6 特征融合 | 第47-48页 |
| 4.7 三种动态特征聚类对比 | 第48-49页 |
| 4.7.1 聚类及最优聚类数选择 | 第48页 |
| 4.7.2 聚类效果分析 | 第48-49页 |
| 4.8 模型特征与自杀相关性分析 | 第49-50页 |
| 4.9 结果与讨论 | 第50-60页 |
| 4.9.1 多层网络构造 | 第50-51页 |
| 4.9.2 特征循环筛选结果 | 第51页 |
| 4.9.3 特征聚类效果结果 | 第51-54页 |
| 4.9.4 模型特征与临床自杀因子分相关性分析结果 | 第54-56页 |
| 4.9.5 结果讨论 | 第56-60页 |
| 第五章 总结与展望 | 第60-62页 |
| 5.1 工作总结 | 第60-61页 |
| 5.2 工作展望 | 第61-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-71页 |
| 在学期间的研究成果及发表的学术论文 | 第71页 |
