鄔霞，張道強(qiáng)

（1.北京師范大學(xué)人工智能學(xué)院，北京 100091；2.南京航空航天大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，南京 211106）

人工智能被廣泛應(yīng)用于腦科學(xué)等領(lǐng)域，并發(fā)揮了重要作用?！丁笆奈濉币?guī)劃綱要和2035 年遠(yuǎn)景目標(biāo)綱要》將“類(lèi)腦計(jì)算與腦機(jī)融合技術(shù)研發(fā)”列為國(guó)家重點(diǎn)研究攻關(guān)項(xiàng)目。腦信號(hào)智能分析與處理作為“類(lèi)腦計(jì)算與腦機(jī)融合技術(shù)研發(fā)”的重要方向之一，能夠有效地推動(dòng)心理學(xué)、生物學(xué)、認(rèn)知神經(jīng)科學(xué)與臨床醫(yī)學(xué)等領(lǐng)域的發(fā)展。然而，腦信號(hào)具有類(lèi)型多樣、信息復(fù)雜等特點(diǎn)與挑戰(zhàn)。為了應(yīng)對(duì)這些挑戰(zhàn)，有必要探索和發(fā)展以機(jī)器學(xué)習(xí)為代表的腦信號(hào)智能分析與處理方法。本期專(zhuān)欄選題為腦信號(hào)智能分析與處理，將突出目前對(duì)腦影像、電生理等數(shù)據(jù)處理、建模的機(jī)器學(xué)習(xí)方法與應(yīng)用研究。

專(zhuān)欄公開(kāi)征文，所有稿件按編輯部“三審制”進(jìn)行評(píng)審，分別為編輯部初審、專(zhuān)家評(píng)審和編委會(huì)終審。經(jīng)“三審制”評(píng)審后，本期專(zhuān)欄發(fā)表論文15 篇，具體如下：

《基于特征增強(qiáng)金字塔網(wǎng)絡(luò)的阿爾茨海默癥早期診斷研究》提出特征增強(qiáng)金字塔網(wǎng)絡(luò)（FEPN）進(jìn)行阿爾茨海默癥的核磁共振成像早期診斷。通過(guò)設(shè)計(jì)的淺層特征重提取模型利用上下文信息補(bǔ)充高層特征，并計(jì)算融合權(quán)重指導(dǎo)高低層特征圖的融合，增強(qiáng)上下文信息交互和多尺度特征融合的匹配度。

《基于腦電和慣性同步分析的神經(jīng)動(dòng)力學(xué)耦合研究》通過(guò)對(duì)腦電信號(hào)和慣性信息中的加速度信號(hào)進(jìn)行相干分析，探究上肢靜息態(tài)和任務(wù)態(tài)時(shí)腦電信號(hào)和加速度信號(hào)間的因果關(guān)系及演變規(guī)律。

《基于稀疏編碼的彌散微循環(huán)模型參數(shù)估計(jì)神經(jīng)網(wǎng)絡(luò)》將稀疏編碼與深度學(xué)習(xí)相結(jié)合，提出了一個(gè)基于稀疏編碼深度學(xué)習(xí)網(wǎng)絡(luò)的彌散微循環(huán)模型參數(shù)估計(jì)方法。該方法利用了深度網(wǎng)絡(luò)的表達(dá)優(yōu)勢(shì)，同時(shí)結(jié)合了稀疏化表達(dá)的雙指數(shù)模型來(lái)估計(jì)胎盤(pán)的彌散微循環(huán)模型參數(shù)。

《基于代價(jià)敏感Faster R-CNN 的腦CT 影像出血診斷方法》提出代價(jià)敏感的Faster R-CNN 模型，通過(guò)自動(dòng)調(diào)節(jié)模型中錨的訓(xùn)練樣本比例以及在損失函數(shù)中引入衡量陽(yáng)性樣本重要性的超參數(shù)等方式，更多地關(guān)注陽(yáng)性樣本和漏檢情形，從而提升檢測(cè)效果，最后通過(guò)定位的具體目標(biāo)區(qū)域來(lái)診斷腦內(nèi)出血情況。

《基于自適應(yīng)采樣與Dense 機(jī)制的顱內(nèi)動(dòng)脈瘤血管多結(jié)構(gòu)分割》提出了一種新型的顱內(nèi)動(dòng)脈瘤血管多結(jié)構(gòu)分割框架，利用血管先驗(yàn)灰度特征建立了自適應(yīng)的數(shù)據(jù)采樣方法，并設(shè)計(jì)了一種基于Dense 機(jī)制的深度網(wǎng)絡(luò)模型實(shí)現(xiàn)血管分割。

《基于噪聲混淆增強(qiáng)特征魯棒性的腦疾病預(yù)測(cè)》提出了一種基于參數(shù)分解和關(guān)系誘導(dǎo)的多任務(wù)學(xué)習(xí)（PDRIMTL）方法，從縱向數(shù)據(jù)中識(shí)別特征。該方法不僅能夠識(shí)別去除噪聲后的共享特征，提高共享特征的魯棒性，而且能夠?qū)Σ煌瑫r(shí)間點(diǎn)的內(nèi)在關(guān)聯(lián)進(jìn)行建模。

《基于深度學(xué)習(xí)的癲癇腦電信號(hào)分類(lèi)》將癲癇腦電的一維時(shí)間序列數(shù)據(jù)轉(zhuǎn)換為二維圖像，使用EfficientNetV2 模型來(lái)實(shí)現(xiàn)癲癇檢測(cè)的二分類(lèi)。同時(shí)，引入梯度加權(quán)類(lèi)激活映射（Grad-CAM）對(duì)二維圖像分類(lèi)進(jìn)行可視化分析。

《輕度認(rèn)知障礙磁共振信號(hào)中固有頻率動(dòng)態(tài)功能性連接的聚類(lèi)研究》針對(duì)傳統(tǒng)的動(dòng)態(tài)功能性連接無(wú)法表示不同頻率的功能性連接信息的問(wèn)題，對(duì)被試的時(shí)間進(jìn)程數(shù)據(jù)做噪音輔助的多元經(jīng)驗(yàn)?zāi)B(tài)分解，從而對(duì)固有頻率動(dòng)態(tài)功能性連接的聚類(lèi)相關(guān)因素進(jìn)行研究。

《基于卷積聯(lián)合適應(yīng)網(wǎng)絡(luò)的腦電信號(hào)情感識(shí)別》將遷移學(xué)習(xí)中聯(lián)合適應(yīng)的思想融合到深度卷積網(wǎng)絡(luò)中，提出一種基于深度卷積聯(lián)合適應(yīng)網(wǎng)絡(luò)（CNN-JAN）的腦電信號(hào)情感識(shí)別模型。使用含有聯(lián)合分布的多核最大均值差異算法解決源域和目標(biāo)域分布不同的問(wèn)題。

《基于雙卷積神經(jīng)網(wǎng)絡(luò)融合的注意力訓(xùn)練研究》針對(duì)注意力訓(xùn)練能否提高課堂注意力問(wèn)題，對(duì)10 名在校學(xué)生進(jìn)行了α 音樂(lè)訓(xùn)練，收集了訓(xùn)練前后的非注意和注意狀態(tài)的腦電信號(hào)。將Alexnet 和VGG11兩個(gè)網(wǎng)絡(luò)模型進(jìn)行加權(quán)融合構(gòu)成雙卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于腦電信號(hào)分類(lèi)，對(duì)α 音樂(lè)訓(xùn)練能否提高健康學(xué)生的注意力水平進(jìn)行了分析。

《基于自注意力機(jī)制的腦血腫分割和出血量測(cè)量算法》提出一種基于自注意力機(jī)制深度學(xué)習(xí)網(wǎng)絡(luò)的腦血腫分割和出血量測(cè)量算法。為克服大腦結(jié)構(gòu)的復(fù)雜性，彌補(bǔ)卷積模塊只能進(jìn)行線(xiàn)性運(yùn)算和提取局部特征的缺點(diǎn)，在分割網(wǎng)絡(luò)編碼器末端引入自注意力模塊以及通道和空間注意力模塊，實(shí)現(xiàn)在多種情況下的腦血腫分割和出血量測(cè)量。

《基于異步芯片的多模態(tài)神經(jīng)生理信號(hào)采集技術(shù)》以研究微觀(guān)神經(jīng)生理活動(dòng)規(guī)律和宏觀(guān)心理生理活動(dòng)為目的，解決異步多模態(tài)生理信息采集方案和相匹配的被動(dòng)生理信號(hào)傳感技術(shù)設(shè)計(jì)難點(diǎn)，設(shè)計(jì)研發(fā)首個(gè)異步生理信號(hào)處理芯片，該芯片將具備低功耗、高精度時(shí)序、高性能計(jì)算和抗干擾的特點(diǎn)。

《基于啟發(fā)式集成特征選擇的人體活動(dòng)識(shí)別》針對(duì)人為提取的冗余特征集和無(wú)關(guān)特征集導(dǎo)致可穿戴傳感器的人體活動(dòng)識(shí)別分類(lèi)性能降低的問(wèn)題，提出一種基于啟發(fā)式集成特征選擇的人體活動(dòng)識(shí)別方法。該方法選取了包含功率譜密度的特征集用于識(shí)別易混淆的活動(dòng)，使用改進(jìn)的正余弦優(yōu)化算法進(jìn)行特征優(yōu)化，實(shí)現(xiàn)人體活動(dòng)識(shí)別。

《基于Kinect 系統(tǒng)的步態(tài)參數(shù)提取方法》提出了使用微軟最新一代Azure Kinect 無(wú)標(biāo)記運(yùn)動(dòng)捕獲系統(tǒng)采集并提取步態(tài)參數(shù)的方法，同時(shí)在數(shù)據(jù)處理中分別采用自適應(yīng)濾波、指數(shù)濾波、卡爾曼濾波及無(wú)濾波條件，從而提高步態(tài)參數(shù)計(jì)算結(jié)果的準(zhǔn)確性與可靠性。

《混合深度學(xué)習(xí)機(jī)制下的H 型高血壓脈診預(yù)測(cè)》提出了基于混合深度學(xué)習(xí)的脈診分類(lèi)模型，在具有長(zhǎng)期依賴(lài)特征BiLSTM 網(wǎng)絡(luò)中增加CNN 結(jié)構(gòu)提取脈診特征局部相關(guān)特征，構(gòu)建基于CNN-BiLSTM 結(jié)構(gòu)的高血壓脈診分類(lèi)網(wǎng)絡(luò)，實(shí)現(xiàn)H 型高血壓脈診預(yù)測(cè)精度。

本期專(zhuān)欄論文主要面向機(jī)器學(xué)習(xí)、腦信號(hào)等相關(guān)領(lǐng)域的研究人員，反映我國(guó)學(xué)者在腦信號(hào)智能分析與處理領(lǐng)域最新的研究進(jìn)展。在此，我們特別感謝《數(shù)據(jù)采集與處理》編委會(huì)對(duì)本期專(zhuān)欄組稿、審稿工作的指導(dǎo)和幫助，感謝《數(shù)據(jù)采集與處理》編輯部的各位老師從征稿啟事發(fā)布、審稿專(zhuān)家邀請(qǐng)至評(píng)審意見(jiàn)匯總、論文定稿、修改及出版所付出的辛勤工作和汗水，感謝專(zhuān)刊評(píng)審專(zhuān)家及時(shí)、耐心、細(xì)致的評(píng)審工作。此外，我們還要特別感謝向本期專(zhuān)欄踴躍投稿的作者對(duì)《數(shù)據(jù)采集與處理》的信任。

最后，希望本期專(zhuān)欄論文能夠?qū)C(jī)器學(xué)習(xí)相關(guān)領(lǐng)域的研究工作有所促進(jìn)。