大数据驱动的计算生物标识研究

摘要	第6-7页
英文摘要	第7-8页
第一章 引言	第9-21页
第1节 脑功能磁共振成像	第9-13页
1.1. 原理与方法	第10-11页
1.2. 数据处理	第11-13页
第2节 弥散张量成像	第13-15页
2.1. 原理与方法	第14-15页
2.2. 数据处理	第15页
第3节 基因组分析	第15-18页
3.1. 背景知识	第15-17页
3.2. 数据处理	第17-18页
第4节 影像遗传学	第18-19页
第5节 本文组织结构	第19-21页
第二章 精神疾病的多模态生物标识挖掘	第21-35页
第1节 注意力缺陷多动障碍疾病的分类	第22-27页
1.1. 研究对象和数据预处理	第22页
1.2. 神经影像学标识	第22-23页
1.3. 模式识别	第23-24页
1.4. 分类结果	第24-26页
1.5. 总结与讨论	第26-27页
第2节 注意力缺陷多动障碍症状的预测	第27-31页
2.1. 研究对象和数据预处理	第27页
2.2. 特征选择	第27-28页
2.3. 神经网络模型	第28-30页
2.4. 结果与讨论	第30-31页
第3节 注意力缺陷多动障碍的脑结构网络	第31-35页
3.1. 研究对象和数据预处理	第31页
3.2. 脑网络图论分析	第31-33页
3.3. 脑功能与结构的耦合性	第33页
3.4. 结果与讨论	第33-35页
第三章 大数据驱动的影像遗传分析	第35-77页
第1节 影像研究方法的介绍	第35-41页
1.1. 全脑关联研究	第35-38页
1.2. 荟萃分析	第38-39页
1.3. 多重比较校正	第39-40页
1.4. 源定位法	第40页
1.5. 格兰杰因果分析	第40-41页
第2节 静息态脑影像标识的研究	第41-50页
2.1. 研究对象和数据预处理	第41-42页
2.2. 全脑功能网络的建立	第42页
2.3. 主要结果	第42-48页
2.4. 总结与讨论	第48-50页
第3节 遗传标识的研究	第50-65页
3.1. 研究对象和数据预处理	第50-51页
3.2. 静息态影像标识的验证	第51-52页
3.3. 基因研究方法的介绍	第52-57页
3.4. 主要结果	第57-65页
第4节 任务态脑影像标识的研究	第65-77页
4.1. 独立对比图研究	第65-67页
4.2. 多种对比图研究	第67-77页
第四章 全脑关联分析统计功效研究	第77-97页
第1节 背景介绍	第77-80页
第2节 权重网络的二值化	第80-81页
第3节 统计功效的研究	第81-84页
3.1. 全脑关联研究的统计功效	第81-82页
3.2. 双样本t检验的统计功效	第82-83页
3.3. 两种方法的统计功效比较	第83-84页
第4节 正态模拟数据的应用	第84-89页
4.1. 样本量对统计功效的影响	第84页
4.2. 分布矩对统计功效的影响	第84-89页
第5节 非正态模拟数据的应用	第89-95页
5.1. 真实数据的应用	第90-93页
5.2. 模拟数据的应用	第93-95页
第6节 总结与讨论	第95-97页
第五章 高维分数阶系统的识别	第97-117页
第1节 背景介绍	第97-98页
第2节 基本模型与识别方法	第98-103页
2.1. 模型与数据	第98-99页
2.2. 分数阶系统导数的识别	第99-100页
2.3. 分数阶系统交互系数矩阵的识别	第100-102页
2.4. 识别方法的误差估计	第102-103页
第3节 实例的列举与应用	第103-110页
3.1. 分数阶复杂网络	第103-106页
3.2. 高阶齐次分数阶微分方程	第106-108页
3.3. 识别参数的选取	第108-110页
第4节 改进的实用识别方法	第110-112页
第5节 讨论与附录	第112-117页
5.1. 讨论	第112-113页
5.2. 拉普拉斯变换及估计	第113-114页
5.3. 基本理论的证明推导	第114-117页
第六章 总结与未来工作展望	第117-119页
参考文献	第119-135页
在读期间发表论文	第135-137页
致谢	第137-138页