| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 阿尔茨海默症 | 第12-16页 |
| 1.2.1 阿尔兹海默症的发病机制 | 第12-13页 |
| 1.2.2 阿尔兹海默症的早期诊断 | 第13-16页 |
| 1.3 国内外研究现状 | 第16-17页 |
| 1.4 主要内容及章节安排 | 第17-19页 |
| 第2章 数据来源及数据质量控制 | 第19-29页 |
| 2.1 数据来源(ADNI数据库) | 第19-22页 |
| 2.1.1 ADNI数据库 | 第19页 |
| 2.1.2 ADNI的不同阶段 | 第19-21页 |
| 2.1.3 ADNI的成果 | 第21-22页 |
| 2.2 被试入组情况 | 第22-23页 |
| 2.3 样本特征及数据质量控制 | 第23-26页 |
| 2.3.1 底层特征 | 第23-24页 |
| 2.3.2 影像学数据及数据质量控制 | 第24页 |
| 2.3.3 生物标志物数据及数据质量控制 | 第24页 |
| 2.3.4 临床评分量表 | 第24-25页 |
| 2.3.5 样本分类标签 | 第25-26页 |
| 2.4 样本的人口学统计 | 第26页 |
| 2.5 本章小结 | 第26-29页 |
| 第3章 基于SAE的AD/MCI特征提取 | 第29-47页 |
| 3.1 BP神经网络 | 第29-34页 |
| 3.1.1 多层感知机 | 第29-31页 |
| 3.1.2 BP神经网络的训练 | 第31-32页 |
| 3.1.3 误差的反向传播原理 | 第32-34页 |
| 3.1.4 反向传播算法 | 第34页 |
| 3.2 自动编码器 | 第34-37页 |
| 3.2.1 自动编码器的特征提取 | 第34-35页 |
| 3.2.2 自动编码器的训练 | 第35-36页 |
| 3.2.3 自动编码器算法 | 第36-37页 |
| 3.3 稀疏自动编码器 | 第37-39页 |
| 3.3.1 稀疏编码算法 | 第37-38页 |
| 3.3.2 稀疏编码训练过程 | 第38-39页 |
| 3.4 堆叠自动编码器 | 第39-41页 |
| 3.5 基于SAE的AD/MCI特征提取 | 第41-45页 |
| 3.5.1 整体设计方案 | 第41-42页 |
| 3.5.2 预训练阶段 | 第42-44页 |
| 3.5.3 微调阶段 | 第44-45页 |
| 3.6 本章小结 | 第45-47页 |
| 第4章 多任务学习和多核支持向量机学习 | 第47-59页 |
| 4.1 多任务学习 | 第47-50页 |
| 4.1.1 多任务学习的解决方案 | 第47-48页 |
| 4.1.2 基于正则化项的多任务学习 | 第48-50页 |
| 4.1.3 算法改进 | 第50页 |
| 4.2 多核支持向量机学习 | 第50-56页 |
| 4.2.1 支持向量机 | 第51-52页 |
| 4.2.2 核函数的引入 | 第52-53页 |
| 4.2.3 松弛变量的引入 | 第53-54页 |
| 4.2.4 多核支持向量机学习模型 | 第54-56页 |
| 4.3 基于MTL和多核SVM学习的AD/MCI分类 | 第56-58页 |
| 4.3.1 基于MTL的AD/MCI特征提取 | 第56-57页 |
| 4.3.2 多核SVM学习的AD/MCI分类 | 第57-58页 |
| 4.4 本章小结 | 第58-59页 |
| 第5章 实验及结果分析 | 第59-79页 |
| 5.1 评估方法 | 第59-60页 |
| 5.1.1 实验环境及评估方法 | 第59-60页 |
| 5.1.2 实验性能指标 | 第60页 |
| 5.2 基于SAE算法的实验结果及分析 | 第60-73页 |
| 5.2.1 实验准备 | 第61-63页 |
| 5.2.2 二分类实验 | 第63-70页 |
| 5.2.3 三分类实验 | 第70-71页 |
| 5.2.4 五分类实验 | 第71-73页 |
| 5.3 基于MTL和多核SVM学习的实验结果及分析 | 第73-78页 |
| 5.3.1 基于MTL+BP网络的实验结果及分析 | 第73-74页 |
| 5.3.2 基于多核SVM分类的结果分析 | 第74-78页 |
| 5.4 本章小结 | 第78-79页 |
| 结论 | 第79-81页 |
| 参考文献 | 第81-87页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第87-89页 |
| 致谢 | 第89页 |