| 摘要 | 第3-5页 |
| abstract | 第5-7页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-16页 |
| 1.2.1 静息态功能脑网络的研究现状及应用 | 第11-13页 |
| 1.2.2 高序功能脑网络的研究现状及应用 | 第13-14页 |
| 1.2.3 最小生成树网络的研究现状及应用 | 第14-15页 |
| 1.2.4 频繁子图挖掘算法的研究现状及应用 | 第15-16页 |
| 1.3 本文主要创新工作 | 第16-17页 |
| 1.4 本文的章节安排 | 第17-18页 |
| 1.5 本章小结 | 第18-20页 |
| 第二章 功能脑网络构建 | 第20-28页 |
| 2.1 数据采集和预处理 | 第20-21页 |
| 2.2 高序最小生成树功能脑网络 | 第21-27页 |
| 2.2.1 高序功能连接网络的概念 | 第22页 |
| 2.2.2 动态时间低序功能连接网络的构建 | 第22-25页 |
| 2.2.3 高序功能连接网络的构建 | 第25-26页 |
| 2.2.4 最小生成树网络的构建 | 第26-27页 |
| 2.3 本章小结 | 第27-28页 |
| 第三章 基于局部网络特征的分析 | 第28-38页 |
| 3.1 局部网络属性 | 第28-29页 |
| 3.2 局部网络特征提取和选择 | 第29-30页 |
| 3.3 基于局部网络特征的分类 | 第30页 |
| 3.4 局部网络特征结果分析 | 第30-36页 |
| 3.4.1 分类结果分析 | 第30-33页 |
| 3.4.2 异常功能连接分析 | 第33-36页 |
| 3.5 本章小结 | 第36-38页 |
| 第四章 基于频繁判别子图模式的分析 | 第38-52页 |
| 4.1 频繁子图挖掘 | 第39-40页 |
| 4.1.1 gSpan算法 | 第39-40页 |
| 4.2 判别子图挖掘 | 第40-43页 |
| 4.3 子图模式特征分类 | 第43-46页 |
| 4.3.1 图核 | 第43页 |
| 4.3.2 Weisfeiler-Lehman子树核 | 第43-45页 |
| 4.3.3 基于图核的支持向量机 | 第45-46页 |
| 4.4 子图模式特征结果分析 | 第46-50页 |
| 4.4.1 分类结果分析 | 第46-48页 |
| 4.4.2 判别脑区 | 第48-50页 |
| 4.5 本章小结 | 第50-52页 |
| 第五章 基于多特征融合的分析 | 第52-60页 |
| 5.1 分类模型构建 | 第53-54页 |
| 5.2 结果分析 | 第54-59页 |
| 5.2.1 分类结果分析 | 第54-58页 |
| 5.2.2 异常区域 | 第58-59页 |
| 5.3 本章小结 | 第59-60页 |
| 第六章 总结与展望 | 第60-64页 |
| 6.1 总结 | 第60-61页 |
| 6.2 展望 | 第61-64页 |
| 参考文献 | 第64-70页 |
| 附录：AAL模板脑区名称及缩写 | 第70-72页 |
| 致谢 | 第72-74页 |
| 攻读硕士学位期间发表的学术论文 | 第74页 |