| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 研究现状 | 第11-12页 |
| 1.3 研究目标与主要贡献 | 第12-14页 |
| 1.4 数据来源和预处理 | 第14-16页 |
| 1.5 本论文的组织结构 | 第16-17页 |
| 第2章 基于典型相关分析增强多模态特征表达的阿尔兹海默病/轻度认知障碍分类 | 第17-24页 |
| 2.1 引言 | 第17页 |
| 2.2 方法 | 第17-20页 |
| 2.2.1 实现框架 | 第17-18页 |
| 2.2.2 基于典型相关特征表达的特征选择 | 第18-19页 |
| 2.2.3 支持向量机分类器 | 第19-20页 |
| 2.3 实验验证 | 第20-22页 |
| 2.3.1 实验设计与细节 | 第20页 |
| 2.3.2 分类结果 | 第20-21页 |
| 2.3.3 主要相关脑区 | 第21-22页 |
| 2.4 讨论 | 第22-23页 |
| 2.5 本章小结 | 第23-24页 |
| 第3章 基于自适应集成流形学习的阿尔兹海默病多源数据检索 | 第24-42页 |
| 3.1 引言 | 第24-25页 |
| 3.2 方法 | 第25-29页 |
| 3.2.1 实现框架 | 第25页 |
| 3.2.2 集成流形学习 | 第25-27页 |
| 3.2.3 l_(2,p)范数 | 第27-28页 |
| 3.2.4 优化方法 | 第28-29页 |
| 3.3 实验验证 | 第29-38页 |
| 3.3.1 实验设计与细节 | 第29-30页 |
| 3.3.2 l_(2,1) Vs.l_(2,p)的对比实验 | 第30-31页 |
| 3.3.3 单源数据与多源数据的对比实验 | 第31-33页 |
| 3.3.4 其他方法对比 | 第33-36页 |
| 3.3.5 主要相关脑区 | 第36-38页 |
| 3.4 讨论 | 第38-41页 |
| 3.4.1 结果分析 | 第38-40页 |
| 3.4.2 局限性 | 第40-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第4章 基于低秩矩阵和循环神经网络的阿尔兹海默病临床评分预测 | 第42-49页 |
| 4.1 引言 | 第42-43页 |
| 4.2 方法 | 第43-45页 |
| 4.2.1 实现框架 | 第43-44页 |
| 4.2.2 低秩补全 | 第44页 |
| 4.2.3 循环神经网络 | 第44-45页 |
| 4.3 实验验证 | 第45-48页 |
| 4.3.1 实验设计与细节 | 第45-46页 |
| 4.3.2 缺失处理对比 | 第46-47页 |
| 4.3.3 预测方法对比 | 第47-48页 |
| 4.4 讨论 | 第48页 |
| 4.5 本章小结 | 第48-49页 |
| 第5章 总结与展望 | 第49-51页 |
| 参考文献 | 第51-57页 |
| 附录 | 第57-59页 |
| 攻读硕士学位期间的研究成果 | 第59页 |
