| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-12页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 主要研究内容 | 第10-11页 |
| 1.3 论文组织结构 | 第11-12页 |
| 第二章 连通性定义与相关算法介绍 | 第12-18页 |
| 2.1 引言 | 第12页 |
| 2.2 大脑连通性 | 第12-14页 |
| 2.3 基于数据驱动的效应连通性方法 | 第14-15页 |
| 2.4 自回归模型参数估计 | 第15-17页 |
| 2.4.1 自回归模型的阶数估计 | 第16页 |
| 2.4.2 自回归模型的系数估计 | 第16-17页 |
| 2.5 本章小结 | 第17-18页 |
| 第三章 大脑效应连通性算法 | 第18-36页 |
| 3.1 引言 | 第18页 |
| 3.2 时域上的Wiener-Granger因果 | 第18-20页 |
| 3.2.1 二维情况 | 第18-19页 |
| 3.2.2 多维情况 | 第19-20页 |
| 3.3 线性自回归模型的阶数估计方法 | 第20-22页 |
| 3.3.1 AIC和BIC准则 | 第20-21页 |
| 3.3.2 gAIC和gBIC准则 | 第21-22页 |
| 3.4 线性自回归模型参数估计的OPS方法及其改进 | 第22-24页 |
| 3.4.1 OPS方法 | 第22-23页 |
| 3.4.2 改进的OPS | 第23-24页 |
| 3.5 非线性自回归模型参数估计的FROLS方法 | 第24-28页 |
| 3.5.1 OLS方法 | 第24-26页 |
| 3.5.2 FROLS算法 | 第26-28页 |
| 3.6 频率域上的因果关系检测 | 第28-32页 |
| 3.6.1 PDC方法 | 第28-29页 |
| 3.6.2 非线性PDC方法 | 第29-32页 |
| 3.7 癫痫生理模型 | 第32-35页 |
| 3.8 本章小结 | 第35-36页 |
| 第四章 实验与结论 | 第36-48页 |
| 4.1 引言 | 第36页 |
| 4.2 线性自回归模型的参数估计及线性因果检测 | 第36-41页 |
| 4.2.1 OPS与加窗的改进方法 | 第36-39页 |
| 4.2.2 自适应OPS方法 | 第39-40页 |
| 4.2.3 用Granger因果来检测信号之间的线性影响 | 第40-41页 |
| 4.3 非线性模型的参数估计及非线性因果检测 | 第41-45页 |
| 4.3.1 非线性模型的FROLS参数估计方法 | 第41-43页 |
| 4.3.2 用NPDC来检测信号之间的非线性影响 | 第43-45页 |
| 4.4 生理模型的NPDC实验 | 第45-47页 |
| 4.5 实验结论 | 第47页 |
| 4.6 本章小结 | 第47-48页 |
| 第五章 总结与展望 | 第48-49页 |
| 5.1 本文工作总结 | 第48页 |
| 5.2 未来工作展望 | 第48-49页 |
| 致谢 | 第49-50页 |
| 参考文献 | 第50-53页 |