摘要:

摘要:脑机接口（Brain-computer interface， BCI）通过解析脑活动建立人脑与外部设备之间的信息通路，为辅助交流、功能评估、康复训练和神经调控提供了新的技术手段。脑电图（Electroencephalography， EEG）具有无创、低成本、高时间分辨率和便于重复采集等优势，是当前非侵入式BCI和脑健康研究中应用最广泛的信号模态之一。近年来，人工智能推动EEG解码由经典控制指令识别逐步拓展至复杂脑状态表征、视觉与语言语义重建和实时闭环交互。本文以EEG智能解码技术的演进为主线，梳理控制意图解码、脑状态解码、高层语义解码、通用表征学习和闭环交互等方向的代表性进展，并进一步分析上述技术在脑卒中康复、语言和视觉功能康复、癫痫检测与预警、意识障碍评估和精神疾病辅助诊断中的应用证据。现有研究表明，EEG解码所能表征的信息层级和应用范围不断扩展，但不同方向的临床成熟度存在明显差异：控制意图识别、异常状态检测和闭环神经康复已积累了一定的研究基础，视觉与语言语义解码仍主要停留在健康受试者和受控实验条件下。当前制约临床转化的关键已不仅是模型性能，还包括跨个体和跨中心泛化、神经信息忠实性、长期稳定性、临床增量价值以及闭环安全与伦理监管。未来应以真实临床需求和患者结局为导向，推动EEG智能解码由方法可行性验证走向稳定、可信和可评价的临床应用。

摘要:非自杀性自伤（Non-suicidal self-injury，NSSI）是青少年常见的高危行为，与情绪调节障碍、自杀风险增加及多种精神障碍密切相关。近年来，磁共振成像（Magnetic resonance imaging，MRI）技术的发展为揭示青少年NSSI的神经生物学机制提供了重要手段。本文围绕结构磁共振成像（Structural magnetic resonance imaging，sMRI）与功能磁共振成像（Functional magnetic resonance imaging，fMRI）研究，对青少年NSSI相关神经影像学证据进行综述。现有研究表明，NSSI青少年在前扣带回、岛叶、额叶、颞叶及奖赏相关脑区存在灰质结构异常和白质纤维完整性受损；静息态及任务态fMRI研究进一步发现，其在情绪加工、疼痛调节、奖赏处理、社交认知及执行控制相关脑网络中存在功能连接和激活异常。此外，多模态研究提示结构-功能耦合异常可能是NSSI的重要神经机制之一。当前研究仍存在样本量较小、横断面设计较多、共病影响难以控制及分析方法异质性较大等问题。未来需进一步开展大样本、多中心、纵向随访及多模态融合研究，以探索稳定可靠的影像学标志物，为青少年NSSI的早期识别、风险评估及精准干预提供神经生物学依据。

摘要:重度抑郁障碍（Major depressive disorder，MDD）的传统筛查与诊断主要依赖结构化访谈和量表评估，易受主观性与场景可及性限制，难以满足基层与社区场景下的早期识别需求。为此，本文面向真实世界可扩展筛查场景，构建并验证一种基于便携式单通道脑电（Electroencephalography， EEG）与可穿戴心电（Electrocardiography， ECG）的多模态抑郁识别框架P-MFCNet（Portable multimodal fusion with CLS network）。在数据层面，设计了包含睁眼静息、负性情绪诱发、闭眼静息和半结构化访谈的多任务实验范式，并在两家医疗机构完成同步多模态采集；方法层面，提出基于Transformer与分类标记（Classification token， CLS）的双层级融合策略，分别从模态维度与任务态维度学习互补信息与条件差异，再通过层次化CLS生成样本级融合表示，并结合ResNet分类头实现MDD与HC判别。结果表明，P-MFCNet在单中心五折交叉验证中取得ACC=0.842 4、AUC=0.796 7，在跨中心外部测试中取得ACC=0.810 0、AUC=0.875 0。整体结果显示，P-MFCNet在准确率、灵敏度及综合表现方面优于单模态模型，并与对比方法相比表现出较好的性能平衡。进一步结合置零消融与注意力可视化开展事后可解释性分析，结果显示模型整体上更关注ECG/HRV相关信息，而EEG在负性诱发和静息条件下提供补充判别证据。上述结果表明，便携式EEG-ECG多模态方案在抑郁快速筛查中具有良好的应用潜力，并具备一定的跨中心泛化能力和可解释性。

摘要:运动想象（Motor imagery， MI）是脑机接口与运动康复中的关键认知过程，但其行为表现存在显著的个体差异。既往研究多基于单一模态数据，难以揭示MI过程中与行为表现紧密关联的高时空分辨率脑网络组织机制。本文基于分别采集的脑电图（Electroencephalography， EEG）和功能核磁共振成像（Functional magnetic resonance imaging， fMRI）数据，构建多模态协变网络（Multimodal covariant network， MCN），重点分析3类MI指令任务下MCN的拓扑差异、其对个体意象能力的预测性能，以及不同MI能力被试之间的网络差异机制，旨在建立EEG-fMRI时空融合特征与MI神经表征效能间的映射关系。结果表明，3种动作条件下的MCN均呈现明显的任务依赖特征，其中左手和右手任务均表现出比脚部任务更丰富、更稳定的跨子网络连接。以MI问卷得分（表征主观意象能力）和任务分类准确率作为目标变量时，右手MCN均表现出显著的预测性能，而脚部MCN则呈边缘显著的预测趋势。进一步，将被试依据问卷得分划分为MI能力高、低组并进行统计，两组被试在3类MI指令下的MCN拓扑均存在显著差异，主要分布于默认模式网络、感觉运动网络、视觉网络和额顶网络。上述结果表明，MCN能有效刻画MI的任务特异性及个体差异，并从多模态融合网络层面为建立EEG-fMRI时空融合信息与MI神经表征效能的映射关系提供了新的依据。

摘要:基于运动想象的脑机接口研究多采用单一尺度的特征提取方法，依赖固定感受野的卷积或递归结构，难以全面捕捉脑电信号的时序特征。针对以上问题，本文提出了一种基于多尺度空洞卷积的运动想象脑电信号分类（Multi-scale dilated convolutional network， MSDCN）模型。该模型首先利用两层一维卷积提取时空特征，然后通过多尺度空洞卷积增强对短时动态变化和长时依赖关系的建模能力，并结合压缩与激励（Squeeze-and-excitation， SE）模块学习通道权重，突出关键特征通道，提高分类性能。在BCI Competition Ⅳ 2a数据集上的被试内实验准确率达到84.1%的准确率，被试间实验准确率为69.1%；在BCI Competition Ⅳ 2b数据集上的被试内实验准确率达89.8%。

摘要:在开放词汇场景下进行脑电信号到文本的解码任务中，从时空关系复杂且具有显著个体差异的脑电信号中提取准确的语义信息是一项关键挑战。针对这一挑战，本文提出了一种基于时空特征增强、受试者自适应机制和多级交互注意力机制的解码方法。首先，结合空洞卷积与门控机制，设计时空特征增强模块，以提升时序动态建模能力和通道依赖性表征能力。随后，引入受试者特定令牌，对不同受试者间的脑电分布差异进行显式建模，缓解跨受试条件下个体差异对模型解码性能的影响。最后，提出多级交互注意力机制，联合通道级、受试者级和全局级注意力，解析脑电信号中的多层次语义关联。此外，首次引入基于可学习激活函数的非线性投影网络，高效表征高维脑电信号，增强模型对脑电信号的解码能力。实验结果表明，本文所提出的方法在词汇相似度指标BLEU和ROUGE以及语义相似度指标BERTScore上分别提升2.23、4.87和4.66个百分点，验证了该方法在开放词汇脑电解码任务中的有效性与鲁棒性。

摘要:非视域声源定位技术是指在障碍物遮挡环境中，通过分析声波传播特性，并结合信号处理理论，采用传统的数字信号处理方法或深度学习方法实现声源精确定位。该技术在机器人导航、智能家居和安全监控等领域具有广泛应用前景。本文对非视域声源定位方法进行了系统综述，以非视域声源定位的相关概念为基础，按照不同的模型对非视域声源定位方法及其研究现状进行阐述，其中主要包括多传感器定位模型、几何声学模型和统计声学模型，比较、分析并总结了不同模型对应的非视域声源定位方法，最后指出存在的问题并对未来研究方向进行展望。

摘要:针对开放电磁环境下的未知辐射源识别问题，提出了一种基于卷积神经网络-傅里叶分析网络（Convolutional neural network-Fourier analysis network， CNN-FAN）模型的开集识别（Open-set recognition，OSR）方法。该方法首先通过引入傅里叶分析网络（Fourier analysis network，FAN）网络层，利用傅里叶级数的特性有效提取信号的频率分量，与卷积神经网络结合构成CNN-FAN网络模型，然后采用OpenMax代替Softmax层构成开集识别模型，最后采用中心损失函数组合交叉熵损失函数联合优化模型性能，减少辐射源个体特征距离类间差距，提高个体分类效果，使用OpenMax异常值检测算法进行已知类和未知类之间的区分。在开源WiSig数据集上对所提方法在不同开放度下进行性能验证和实验分析，实验结果表明，所提方法在开放度为0.057时识别率达到95%，开放度为0.184时的开集识别率仍有84%，优于其他开集识别方法。

摘要:针对传统分选方法在复杂电磁环境下处理效率低下、分选准确率不足，以及5G通信技术发展带来的雷达-通信频谱共享问题，本文提出了一种基于多任务学习和多域特征融合的创新解决方法。该方法首先构建了一个多任务学习框架，用于对含噪雷达-通信混合信号进行联合预处理，包括信号清洗、降噪和时频特征增强。其次，设计了特征融合网络，分别从时频图像域与时延-多普勒域提取多尺度特征，并采用改进的迭代注意力机制实现跨域特征融合，生成具有强判别性的高维特征表示。最后，基于DeepCluster的聚类模型完成对雷达辐射源信号的准确分选。实验结果表明，在-6 dB低信噪比条件下，该方法能够有效抑制通信信号干扰，且达到93.8%的分选准确率。与现有方法相比，所提方案在提升信号预处理的鲁棒性、保证分选准确率方面展现出显著优势，具有良好的工程应用前景。

摘要:卢比变换（Luby transform， LT）码作为无速率编码的重要实现方式，其性能高度依赖于度分布设计。传统鲁棒孤波分布（Robust soliton distribution， RSD）在二进制删除信道（Binary erasure channel， BEC）中表现优异，但在高斯信道下因噪声累积与复杂度冗余导致译码效率下降。为解决上述问题，本文提出一种动态耦合截断分布（Dynamic coupled truncated distribution， DCTD）。该分布通过对RSD实施截断操作以抑制高度数冗余符号的生成，同时引入预优化固定分布以稀疏化中高度数段的概率密度，并基于KL（Kullback-Leibler）散度动态调整分布切换点，从而实现双分布非线性混合的平滑过渡。仿真结果表明，在码长为1 000时，DCTD相较于RSD能够降低21.5%的译码开销，同时保持相同的译码成功率。

摘要:非合作通信中，编码方式的盲识别与后续解码环节通常被割裂研究，且现有深度学习模型在多协议场景的低信噪比条件下鲁棒性不足。针对此问题，本文提出一种时间卷积网络（Temporal convolutional network， TCN）-双向门控循环单元（Bidirectional gated recurrent unit， BiGRU）-attention深度学习混合模型，构建了一体化盲解码框架。选取4类协议对应的5种编码方式构建实验数据集进行验证，结果表明：低信噪比条件下，本文模型的编码识别准确率与抗噪鲁棒性显著优于现有对比模型；基于识别结果进行的IEEE 802.16协议低密度奇偶校验（Low-density parity-check，LDPC）码解码实验，进一步验证了一体化方案的有效性。

摘要:在工业4.0、智慧城市等领域，数字孪生技术正在被广泛应用，其通过构建与物理实体一一对应的虚拟模型，能够实现对设备、产品和系统的实时监控、预测性维护及优化管理。然而，为数字孪生高效生成准确的网络流量数据包仍然是一项极具挑战的任务。该任务具有时序依赖性，且在复杂网络行为和多样化场景的影响下，流量生成过程存在高度的不确定性和复杂性。为了解决这一问题，本文提出了基于扩散模型的大批量网络流量数据包生成算法——FlowDiff和时序扩散生成模型（Temporal diffusion generative model， TDGM）。FlowDiff算法将流量数据包的生成作为反向扩散过程，根据流量的时序特性和外部场景条件，通过逐步去噪生成符合实际网络流量特征的数据包。TDGM是为了适应网络流量中的时序依赖和周期性变化特性设计的模型。该模型引入时序感知特征嵌入层，将流量的时序信息与重要特征进行融合，从而增强了流量特征之间的时空关联。模型还结合卷积神经网络和Transformer模块，提取流量的局部特征和全局特征，进行有效融合。最后，将历史流量数据和周期性特征作为扩散模型的条件输入，利用交叉注意力机制进一步优化生成过程。实验结果表明，FlowDiff在真实网络流量数据集上的表现优异，在与真实数据流量的比较中，充分验证了生成的准确性和有效性，展示了其在数字孪生系统中应用的有效性和优势。

摘要:属性约简作为粗糙集理论中的主要研究问题之一，其目标是在不影响原始数据分类能力的前提下，寻找一个更为简洁的属性子集。在约简策略中，基于广义决策保持的属性约简因其具有良好的可解释性与较强的应用背景，得到广泛应用。现有广义决策保持属性约简算法的计算效率在面对大规模数据集时常受到显著制约，如何高效地实现广义决策保持下的属性约简，成为当前研究亟需解决的关键问题。针对上述问题，本文探讨了广义决策保持过程中正域对象的稳定性特征，借助剥离商集方法，构建了简化且更具代表性的等价类，进而提出了一种基于广义决策保持的高效启发式属性约简算法。该算法在确保约简正确性的基础上，可以显著提升约简过程的计算效率。实验结果表明，相较于现有算法，本文提出的算法在8个UCI数据集上具有更高的计算效率。

摘要:在小样本图像分类中，样本的数量通常较少，且现有的度量学习模型不能够很好地兼顾局部和全局信息，时常受到一些复杂背景的影响，从而不能很好地关注主体信息。针对这些问题，本文提出一种融合区域重组图像及子块特征的小样本分类模型DGRCN（Dual-granularity region confusion networks）。DGRCN算法引入多粒度思想，提出区域重组粒化（Region confusion granulation，RCG）方法，得到多粒度区域重组图像及多粒度子块序列，缓解样本不足问题；其次，分别从区域重组图像及子块序列提取了图像级与局部块级特征，细化注意力以突出关键区域，进行基于两类特征的多粒度特征融合；最后，自适应融合双特征的分类结果，兼顾了全局与局部的重点信息。DGRCN在公开数据集miniImageNet、CUB、Stanford Dogs进行了实验，与基线模型DN4相比准确率均略有提升，实验结果表明DGRCN能有效地提高小样本分类任务的性能。

摘要:传统的循环生成对抗网络（Cycle generative adversarial network，CycleGAN）作为一种无需成对数据集的图像风格迁移模型，在低光域图像增强任务中，存在生成图像细节丢失、色彩失真以及复杂场景下适应性较差等问题。针对该问题，本文提出了一种改进型的CycleGAN模型，旨在提升低光域图像增强效果。在生成器设计上，通过在上采样阶段集成二阶段色彩校正模块，旨在缓解低照度环境下色彩失真和质量退化的问题。将通道-空间混合注意力机制嵌入跳跃连接层，旨在实现特征融合过程中关键信息的自适应增强。在判别器设计上，采用全局-局部判别模式，使其兼顾全局信息与局部细节的判别能力。在损失函数设计上，在对抗损失的基础上引入感知风格损失和内容损失，进一步提升生成图像的结构保真度和视觉自然性。通过与多种具有代表性的图像增强模型的主客观实验评估对比实验表明，该模型对低光域图像有较好的增强效果，能够有效增强图像的整体亮度以及局部细节，同时不会出现色彩失真，提高了生成图像的质量。

摘要:为了捕捉行人轨迹中的复杂时空依赖关系，提出了一种结合双向时间学习模块与时空交互学习模块的行人轨迹预测模型。模型通过双向时间特征建模和自监督学习挖掘时空交互特征。在双向时间学习模块中，利用双向时间卷积网络同时建模历史与未来的轨迹信息，以捕捉轨迹动态变化特征。在时空交互学习模块中，通过测试时训练（Test-time training， TTT）层的自监督学习机制，在推理阶段动态调整特征表示，从而建模时空关联性。通过自适应融合策略对两模块提取的特征进行加权组合，以实现对关键特征的聚焦和无关信息的抑制。实验结果表明，该模型在ETH和UCY数据集上具有良好的预测性能。

摘要:脑肿瘤是神经系统中最常见的疾病之一，磁共振成像（Magnetic resonance imaging，MRI）检查是常见的脑肿瘤筛查方法。深度学习模型在MRI图像识别上虽已具备较高性能，但在计算资源受限场景下运行效果不理想，且其性能在剪枝轻量化后易出现下降，为此本研究聚焦于提高轻量化模型的脑肿瘤MRI图像分类性能，针对上述挑战提出一种基于标签自动校准的变温自蒸馏脑肿瘤MRI图像分类方法。研究从轻量化模型性能提升的核心需求出发，使用基于标签自动校准的损失函数，避免自蒸馏过程中自教师模型传授错误知识，同时引入一种温度重启的变温蒸馏机制，当验证准确率在最近多轮训练中未提升时，根据当前训练情况重启温度，防止轻量化网络学习难度过大。在多个脑肿瘤数据集上的实验分析结果表明，所提出的自蒸馏方法可有效提高轻量化模型的脑肿瘤识别性能，且性能优于其他典型的自蒸馏方法，具有无需改变模型结构、易于实现的优点。

摘要:遥感图文检索现有的方法主要通过对齐配对图像和文本的全局特征来实现检索，但大多方法的注意力都集中在特征提取和特征融合方面，在特征对齐时都只关注于经过汇聚后的全局特征之间的对齐（全局对齐），而忽略掉了图像中细粒度的物体特征与文本中的语义短语特征之间的对齐（局部对齐）。然而在遥感领域，同一个模态内的样本往往高度相似，这会干扰全局对齐。本文提出一种全新的模型——带有短语增强的全局与局部对齐（Global and local alignment with phrase augmentation，GLAPA），在对齐全局特征的同时，引入细粒度的局部特征对齐作为补充。本文通过提取文本中的概念短语，并动态地与图像中的区域特征进行局部对齐，显著提升了检索性能。此外，本文还通过掩码建模增强了单模态内特征之间的关联性学习，进一步提升遥感图像-文本检索的效果。本文在RSICD和RSITMD数据集上进行了大量实验，包括消融实验、超参数敏感性分析和可视化分析等。实验结果表明，GLAPA在RSICD和RSITMD数据集上的表现优于现有的方法，可视化实验也验证了局部对齐的准确性。

摘要:在交通标志检测领域，由于远景交通标志在场景中占比面积很小、标志尺度多样等特点，给检测带来了挑战。为解决上述问题，在YOLOv8s基础上进行了改进，提出了一种新型交通标志检测算法YOLOv8s-REMN。该方法在骨干网络中引入RFAConv，增强网络的感受野和特征提取能力；在颈部网络中加入EAGFM模块，优化多尺度特征融合；然后，在检测头部分加入MSDEF模块，增加小目标检测头，提升小目标检测能力；采用NWD损失函数替换CIoU损失函数，优化边界框回归，提高小目标定位精度。实验结果表明，YOLOv8s-REMN在TT100K数据集上实现了较大性能提升，相较于基线YOLOv8s，mAP@0.5提高了6.6%，mAP@0.5：0.95提高了5.1%。该算法的有效性也在中国交通标志检测数据集CCTSDB2021上得到了验证，YOLOv8s-REMN相较于YOLOv8s，mAP@0.5提高了2.9%，mAP@0.5：0.95提高了2.9%。

摘要:垃圾信息是影响电商平台信誉的重要威胁之一。面对类别不平衡的评论数据，现有的基于图神经网络的垃圾信息检测方法面临数据稀疏、节点关系复杂且刻画不全面等问题，影响了检测性能。为了应对上述问题，本文提出了一种基于图神经网络的垃圾信息检测方法（Graph neural network-based spam detection，GNNSD）。该方法引入语义感知的节点增强机制，为少数类节点生成语义相关的邻居，以缓解类别不平衡导致的性能下降。同时，采用多头关系感知注意力与语义-关系双重注意力机制，捕捉节点间的交互模式和细粒度的依赖特征，解决特征信息利用不充分问题。进一步地，采用跨层残差连接方式和对比学习策略，强化特征复用与增加节点嵌入的区分性。在基准数据集上开展了实验验证，结果表明GNNSD在AUC、Micro-F₁和Macro-F₁指标上优于现有主流方法，在类别不平衡条件下取得了更佳的检测性能。