| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-19页 |
| 1.1 研究背景 | 第10-13页 |
| 1.1.1 品行障碍 | 第10页 |
| 1.1.2 神经影像学研究 | 第10-11页 |
| 1.1.3 机器学习 | 第11-13页 |
| 1.2 研究现状 | 第13-17页 |
| 1.2.1 基于传统机器学习的精神障碍分类研究 | 第13-15页 |
| 1.2.2 基于MVPA的儿童青少年精神障碍分类研究 | 第15页 |
| 1.2.3 基于卷积神经网络的精神障碍分类研究 | 第15-17页 |
| 1.3 本文研究内容及创新点 | 第17-18页 |
| 1.4 本文内容组织结构 | 第18-19页 |
| 第2章 基于传统机器学习的品行障碍分类 | 第19-33页 |
| 2.1 传统机器学习方法介绍 | 第19-21页 |
| 2.1.1 逻辑斯蒂回归 | 第19页 |
| 2.1.2 随机森林 | 第19-20页 |
| 2.1.3 支持向量机 | 第20-21页 |
| 2.2 方法框架 | 第21-26页 |
| 2.2.1 数据集及预处理 | 第21-23页 |
| 2.2.2 特征提取 | 第23-24页 |
| 2.2.3 训练与测试 | 第24-25页 |
| 2.2.4 结果评价与统计分析 | 第25-26页 |
| 2.3 结果 | 第26-29页 |
| 2.3.1 数据集的人口统计学和临床特征 | 第26页 |
| 2.3.2 特征提取、训练及测试结果 | 第26-29页 |
| 2.4 分析与讨论 | 第29-32页 |
| 2.4.1 数据的影响 | 第30页 |
| 2.4.2 特征提取的影响 | 第30-31页 |
| 2.4.3 分类器选择的影响 | 第31页 |
| 2.4.4 局限性 | 第31-32页 |
| 2.5 结论 | 第32-33页 |
| 第3章 基于MVPA的品行障碍分类 | 第33-42页 |
| 3.1 MVPA方法介绍 | 第33-34页 |
| 3.2 方法框架 | 第34-35页 |
| 3.2.1 数据集及预处理 | 第34页 |
| 3.2.2 MVPA方法 | 第34-35页 |
| 3.3 结果 | 第35-38页 |
| 3.4 分析与讨论 | 第38-41页 |
| 3.4.1 与VBM结合传统机器学习方法的比较 | 第38-39页 |
| 3.4.2 MVPA结果的临床解释 | 第39-40页 |
| 3.4.3 局限性 | 第40-41页 |
| 3.5 结论 | 第41-42页 |
| 第4章 基于卷积神经网络的品行障碍分类 | 第42-60页 |
| 4.1 卷积神经网络介绍 | 第42-44页 |
| 4.2 方法框架 | 第44-51页 |
| 4.2.1 数据集及预处理 | 第44-45页 |
| 4.2.2 分类模型设计 | 第45-51页 |
| 4.3 结果 | 第51-53页 |
| 4.4 分析与讨论 | 第53-59页 |
| 4.4.1 不同CNN模型的比较 | 第53-55页 |
| 4.4.2 与传统机器学习方法的比较 | 第55-56页 |
| 4.4.3 与MVPA方法的比较 | 第56页 |
| 4.4.4 CNN模型的临床解释 | 第56-58页 |
| 4.4.5 局限性 | 第58-59页 |
| 4.5 结论 | 第59-60页 |
| 第5章 总结与展望 | 第60-62页 |
| 5.1 总结 | 第60-61页 |
| 5.2 展望 | 第61-62页 |
| 参考文献 | 第62-68页 |
| 致谢 | 第68-69页 |
| 攻读硕士学位期间的研究成果 | 第69页 |