第1章  中美飞行员选拔机制
  1.1  美国飞行员选拔机制
    1.1.1  基本资格审查
    1.1.2  分类测试
    1.1.3  身体测试
    1.1.4  飞行经验
    1.1.5  标准智力测试
    1.1.6  军事资格测验
    1.1.7  飞行履历和试飞
    1.1.8  医疗审查
    1.1.9  评估和面试
    1.1.10  培训
  1.2  中国飞行员选拔机制
    1.2.1  基本资格审核
    1.2.2  军事训练
    1.2.3  飞行技术测试
    1.2.4  身体技能测试
    1.2.5  面试
    1.2.6  安全背景核查
  1.3  中、美飞行员选拔机制的优点和缺点
第2章  神经科学基础
  2.1  磁共振成像原理介绍
  2.2  成熟飞行员灰质脑区的特征
    2.2.1  空间配准
    2.2.2  原点校正
    2.2.3  组织分割
  2.3  成熟飞行员脑区间连接特征
    2.3.1  磁共振扩散成像的指标计算和纤维跟踪
    2.3.2  扩散张量的相关标量指标
    2.3.3  脑白质纤维跟踪技术
    2.3.4  弥散谱成像纤维跟踪
第3章  飞行员灰质脑区结构特征
  3.1  MRI数据处理
    3.1.1  VBM步骤
    3.1.2  特征值提取
  3.2  飞行员脑区特点的分析结果
  3.3  飞行员认知与行为特征
  3.4  功能总结与结论
    3.4.1  脑区重要性系数
    3.4.2  脑区功能
    3.4.3  能力聚类分析
第4章  飞行员脑区间连接特征分析
  4.1  DSI纤维跟踪原理介绍
  4.2  飞行员全脑脑区连接权值矩阵处理分析步骤
    4.2.1  数据准备
    4.2.2  打开软件
    4.2.3  全脑纤维追踪
    4.2.4  保存权值矩阵
  4.3  平均权值矩阵求取方法
  4.4  DSI STUDIO的AAL2脑区编号说明
第5章  飞行潜力评估算法
  5.1  算法概述与介绍
  5.2  机器学习在飞行潜力评估中的应用
    5.2.1  机器学习概述
    5.2.2  机器学习基本名词
    5.2.3  机器学习算法分类
    5.2.4  机器学习模型评估与选择
    5.2.5  机器学习SVM模型
    5.2.6  小结
  5.3  脑影像机器学习模型构建
    5.3.1  安装Python和主要库
    5.3.2  机器学习管道
    5.3.3  结论
  5.4  流程及程序代码说明
    5.4.1  原点校正
    5.4.2  DICOM格式的图像转换为NIfTI格式
    5.4.3  T1图像组织分割与空间标准化
    5.4.4  T1图像平滑
    5.4.5  提取ROI的MATLAB程序
    5.4.6  深度学习MATLAB程序
    5.4.7  深度学习Python程序
    5.4.8  支持向量机的Python程序
第6章  中、美飞行员训练对比
  6.1  中国飞行员训练过程概述
    6.1.1  理论课程
    6.1.2  地面训练
    6.1.3  模拟器训练
    6.1.4  实际飞行任务
    6.1.5  技能和知识
    6.1.6  面临的挑战
  6.2  美国飞行员训练过程概述
    6.2.1  基础飞行训练
    6.2.2  飞行技术训练
    6.2.3  仪表飞行训练
    6.2.4  高级技术训练
    6.2.5  武装飞行员训练
    6.2.6  战斗机飞行员训练
  6.3  中、美飞行员训练的差距分析
第7章  基于神经科学的训练方法
  7.1  飞行特征阈值的选取方法
    7.1.1  通过数据特征确定阈值
    7.1.2  通过具体的问题和应用场景确定阈值
    7.1.3  经验阈值
    7.1.4  阈值确定
  7.2  关键脑区的训练方法
第8章  权值的确定方法
  8.1  常用的权值确定算法介绍
    8.1.1  最大熵方法
    8.1.2  熵权法
    8.1.3  支持向量机法
    8.1.4  层次分析法
    8.1.5  灰色关联分析法
    8.1.6  朴素贝叶斯算法
    8.1.7  决策树算法
    8.1.8  遗传算法
    8.1.9  神经网络算法
  8.2  权重确定方法的详解
第9章  飞行训练方法提炼总结
  9.1  关键脑区的训练方法总结
  9.2  训练方法聚类分析
  9.3  训练方法的聚类结果
第10章  结论和展望
参考文献