脑磁共振影像数据的时空分析PDF|Epub|txt|kindle电子书版本网盘下载

脑磁共振影像数据的时空分析PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 绪论1

1.1 脑功能的组织原则1

1.2 脑功能研究的现状3

1.3 磁共振影像技术概述4

1.3.1 脑功能成像技术4

1.3.2 MRI技术的发展历程6

1.3.3 fMRI原理7

1.3.4 fMRI的实验设计及技术要求8

1.4 脑MRI数据分析方法概述11

参考文献13

第2章 典型相关分析17

2.1 BSS-CCA方法17

2.2 fMRI降噪的BSS-CCA方法20

2.2.1 fMRI噪声分类20

2.2.2 fMRI降噪的BSS-CCA算法流程21

2.2.3 真实fMRI数据处理结果28

2.2.4 结果分析与讨论30

2.3 LD-CCA算法31

2.3.1 LD-CCA算法描述32

2.3.2 LD-CCA算法性能验证36

2.3.3 LD-CCA算法的特性42

2.4 本章小结48

参考文献48

第3章 独立成分分析51

3.1 ICA概述51

3.1.1 ICA模型52

3.1.2 估计原理和常用估计方法53

3.1.3 ICA在fMRI分析中的应用55

3.2 1比特匹配猜想57

3.2.1 问题的提出58

3.2.2 主要结果及证明58

3.2.3 讨论与结论63

3.3 最大非高斯估计的唯一性分析64

3.3.1 问题的提出64

3.3.2 目标函数的唯一性分析65

3.3.3 FastICA算法解析和收敛性分析68

3.3.4 收敛和独立性约束对估计的影响75

3.4 SPM-ICA方法80

3.4.1 ICA方法应用于fMRI数据分析的合理性80

3.4.2 SPM-ICA联合方法82

3.4.3 仿真数据分析85

3.4.4 实际数据分析91

3.4.5 讨论99

3.5 Group ICA方法应用104

3.5.1 Group ICA模型105

3.5.2 Group ICA数据处理流程106

3.5.3 Group ICA应用107

3.6 本章小结125

参考文献126

第4章 功能连接分析133

4.1 脑连接分析方法概述133

4.1.1 脑连接的类型133

4.1.2 脑功能连接方法概述136

4.1.3 功能连接与有效连接的区别139

4.2 基于一般线性模型的功能连接分析140

4.2.1 方法描述140

4.2.2 静息脑连接分析142

4.3 基于关联的脑连接分析146

4.3.1 方法描述147

4.3.2 单手对指运动的功能连接分析150

4.3.3 讨论156

4.4 功能连接的非对称性分析158

4.4.1 引言158

4.4.2 阳性和阴性精神分裂症的功能非对称分析159

4.4.3 分析结果163

4.4.4 讨论170

4.5 本章小结171

参考文献172

第5章 脑复杂网络模型177

5.1 引言177

5.1.1 复杂网络在结构网络中的应用178

5.1.2 复杂网络在功能网络中的应用179

5.2 复杂网络概述181

5.2.1 复杂网络的统计特性181

5.2.2 复杂网络的典型拓扑模型185

5.3 口香糖咀嚼运动的脑复杂网络分析187

5.3.1 数据采集与预处理187

5.3.2 脑网络的构建及结果189

5.3.3 结果分析与讨论195

5.4 运用复杂网络分析静息状态脑功能网络197

5.4.1 数据采集及预处理197

5.4.2 静息脑网络构建198

5.4.3 功能网络特性分析及结果199

5.4.4 结果讨论207

5.5 本章小结209

参考文献209

第6章 动态因果模型与有效连接213

6.1 基本原理213

6.1.1 动态因果模型概述213

6.1.2 神经活动状态方程214

6.1.3 血液动力学状态方程215

6.1.4 确定性动态因果模型的参数估计216

6.1.5 参数的先验分布219

6.1.6 统计推断220

6.1.7 基于确定性DCM的有效连接分析流程221

6.2 青少年网络成瘾患者反应抑制脑网络有效连接异常研究223

6.2.1 背景223

6.2.2 材料和方法225

6.2.3 结果228

6.2.4 讨论232

6.3 模型选择算法研究233

6.3.1 经典的动态因果建模模型选择算法233

6.3.2 基于网络发现的自动模型选择算法237

6.4 本章小结243

参考文献243

第7章 随机动态因果模型247

7.1 基本原理247

7.1.1 确定性动态因果模型的局限性247

7.1.2 面向fMRI的随机动态因果模型248

7.1.3 模型可行性分析249

7.1.4 仿真验证252

7.1.5 成组数据分析254

7.2 静息脑网络的有效连接分析257

7.2.1 研究背景257

7.2.2 材料和方法258

7.2.3 结果261

7.2.4 讨论264

7.3 基于广义滤波算法的参数估计265

7.3.1 经典变分贝叶斯方法的原理266

7.3.2 广义滤波算法267

7.3.3 仿真分析271

7.4 实例分析272

7.4.1 Attention数据集272

7.4.2 网络成瘾数据集273

7.5 本章小结276

参考文献277

第8章 脑网络模式的线性分类279

8.1 引言279

8.2 线性分类器理论282

8.2.1 PCA+线性SVM算法282

8.2.2 置换检验283

8.3 运用线性分类器提取性别相关脑差异284

8.3.1 引言284

8.3.2 材料与方法285

8.3.3 分类器设计287

8.3.4 实验结果288

8.3.5 讨论297

8.4 抑郁症患者的脑网络模式分析300

8.4.1 引言300

8.4.2 材料与方法301

8.4.3 实验结果305

8.4.4 讨论306

8.5 脑功能区分割的无监督学习方法309

8.5.1 最大间隔聚类算法概述309

8.5.2 驾驶员运动区的功能子区分割313

8.6 脑年龄结构差异的稀疏表达317

8.6.1 引言317

8.6.2 材料与方法318

8.6.3 实验结果322

8.6.4 讨论328

8.7 本章小结332

参考文献333

第9章 静息脑网络的流形学习方法343

9.1 流形学习算法343

9.1.1 局部线性嵌入算法343

9.1.2 局部保持投影算法344

9.1.3 仿真实验345

9.2 静息脑网络模式分类的低维流形嵌入方法346

9.2.1 引言346

9.2.2 材料与方法348

9.2.3 实验结果352

9.2.4 讨论359

9.3 基于全脑功能连接模式的脑年龄预测361

9.3.1 引言361

9.3.2 材料与方法362

9.3.3 实验结果366

9.3.4 讨论372

9.4 本章小结377

参考文献377

索引383