神經(jīng)科學視角下的飛行員選拔與訓練

第 1 章 中美飛行員選拔機制
1.1 美國飛行員選拔機制
1.1.1 基本資格審查
1.1.2 分類測試
1.1.3 身體測試
1.1.4 飛行經(jīng)驗
1.1.5 標準智力測試
1.1.6 軍事資格測驗
1.1.7 飛行履歷和試飛
1.1.8 醫(yī)療審查
1.1.9 評估和面試
1.1.10 培訓
1.2 中國飛行員選拔機制
1.2.1 基本資格審核
1.2.2 軍事訓練
1.2.3 飛行技術(shù)測試
1.2.4 身體技能測試
1.2.5 面試
1.2.6 安全背景核查
1.3 中、美飛行員選拔機制的優(yōu)點和缺點
第 2 章 神經(jīng)科學基礎(chǔ)
2.1 磁共振成像原理介紹
2.2 成熟飛行員灰質(zhì)腦區(qū)的特征
2.2.1 空間配準
2.2.2 原點校正
2.2.3 組織分割
2.3 成熟飛行員腦區(qū)間連接特征
2.3.1 磁共振擴散成像的指標計算和纖維跟蹤
2.3.2 擴散張量的相關(guān)標量指標
2.3.3 腦白質(zhì)纖維跟蹤技術(shù)
2.3.4 彌散譜成像纖維跟蹤
第 3 章 飛行員灰質(zhì)腦區(qū)結(jié)構(gòu)特征
3.1 MRI 數(shù)據(jù)處理
3.1.1 VBM 步驟
3.1.2 特征值提取
3.2 飛行員腦區(qū)特點的分析結(jié)果
3.3 飛行員認知與行為特征
3.4 功能總結(jié)與結(jié)論
3.4.1 腦區(qū)重要性系數(shù)
3.4.2 腦區(qū)功能
3.4.3 能力聚類分析
第 4 章 飛行員腦區(qū)間連接特征分析
4.1 DSI 纖維跟蹤原理介紹
4.2 飛行員全腦腦區(qū)連接權(quán)值矩陣處理分析步驟
4.2.1 數(shù)據(jù)準備
4.2.2 打開軟件
4.2.3 全腦纖維追蹤
4.2.4 保存權(quán)值矩陣
4.3 平均權(quán)值矩陣求取方法
4.4 DSI STUDIO 的 AAL2 腦區(qū)編號說明
第 5 章 飛行潛力評估算法
5.1 算法概述與介紹
5.2 機器學習在飛行潛力評估中的應用
5.2.1 機器學習概述
5.2.2 機器學習基本名詞
5.2.3 機器學習算法分類
5.2.4 機器學習模型評估與選擇
5.2.5 機器學習 SVM 模型
5.2.6 小結(jié)
5.3 腦影像機器學習模型構(gòu)建
5.3.1 安裝 Python 和主要庫
5.3.2 機器學習管道
5.3.3 結(jié)論
5.4 流程及程序代碼說明
5.4.1 原點校正
5.4.2 DICOM 格式的圖像轉(zhuǎn)換為 NIFTI 格式
5.4.3 T1 圖像組織分割與空間標準化
5.4.4 T1 圖像平滑
5.4.5 提取 ROI 的 MATLAB 程序
5.4.6 深度學習 MATLAB 程序
5.4.7 深度學習 Python 程序
5.4.8 支持向量機的 Python 程序
第 6 章 中、美飛行員訓練對比
6.1 中國飛行員訓練過程概述
6.1.1 理論課程
6.1.2 地面訓練
6.1.3 模擬器訓練
6.1.4 實際飛行任務
6.1.5 技能和知識
6.1.6 面臨的挑戰(zhàn)
6.2 美國飛行員訓練過程概述
6.2.1 基礎(chǔ)飛行訓練
6.2.2 飛行技術(shù)訓練
6.2.3 儀表飛行訓練
6.2.4 高級技術(shù)訓練
6.2.5 武裝飛行員訓練
6.2.6 戰(zhàn)斗機飛行員訓練
6.3 中、美飛行員訓練的差距分析
第 7 章 基于神經(jīng)科學的訓練方法
7.1 飛行特征閾值的選取方法
7.1.1 通過數(shù)據(jù)特征確定閾值
7.1.2 通過具體的問題和應用場景確定閾值
7.1.3 經(jīng)驗閾值
7.1.4 閾值確定
7.2 關(guān)鍵腦區(qū)的訓練方法
第 8 章 權(quán)值的確定方法
8.1 常用的權(quán)值確定算法介紹
8.1.1 最大熵方法
8.1.2 熵權(quán)法
8.1.3 支持向量機法
8.1.4 層次分析法
8.1.5 灰色關(guān)聯(lián)分析法
8.1.6 樸素貝葉斯算法
8.1.7 決策樹算法
8.1.8 遺傳算法
8.1.9 神經(jīng)網(wǎng)絡算法
8.2 權(quán)重確定方法的詳解
第 9 章 飛行訓練方法提煉總結(jié)
9.1 關(guān)鍵腦區(qū)的訓練方法總結(jié)
9.2 訓練方法聚類分析
9.3 訓練方法的聚類結(jié)果
第 10 章 結(jié)論和展望
參考文獻
 
 
編輯
分享