“腦信號智能分析與處理”專欄前言

鄔霞，張道強

（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)計算機科學(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 年遠景目標(biāo)綱要》將“類腦計算與腦機融合技術(shù)研發(fā)”列為國家重點研究攻關(guān)項目。腦信號智能分析與處理作為“類腦計算與腦機融合技術(shù)研發(fā)”的重要方向之一，能夠有效地推動心理學(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，腦信號具有類型多樣、信息復(fù)雜等特點與挑戰(zhàn)。為了應(yīng)對這些挑戰(zhàn)，有必要探索和發(fā)展以機器學(xué)習(xí)為代表的腦信號智能分析與處理方法。本期專欄選題為腦信號智能分析與處理，將突出目前對腦影像、電生理等數(shù)據(jù)處理、建模的機器學(xué)習(xí)方法與應(yīng)用研究。

專欄公開征文，所有稿件按編輯部“三審制”進行評審，分別為編輯部初審、專家評審和編委會終審。經(jīng)“三審制”評審后，本期專欄發(fā)表論文15 篇，具體如下：

《基于特征增強金字塔網(wǎng)絡(luò)的阿爾茨海默癥早期診斷研究》提出特征增強金字塔網(wǎng)絡(luò)（FEPN）進行阿爾茨海默癥的核磁共振成像早期診斷。通過設(shè)計的淺層特征重提取模型利用上下文信息補充高層特征，并計算融合權(quán)重指導(dǎo)高低層特征圖的融合，增強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)動力學(xué)耦合研究》通過對腦電信號和慣性信息中的加速度信號進行相干分析，探究上肢靜息態(tài)和任務(wù)態(tài)時腦電信號和加速度信號間的因果關(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)估計方法。該方法利用了深度網(wǎng)絡(luò)的表達優(yōu)勢，同時結(jié)合了稀疏化表達的雙指數(shù)模型來估計胎盤的彌散微循環(huán)模型參數(shù)。

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

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

《基于噪聲混淆增強特征魯棒性的腦疾病預(yù)測》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)中識別特征。該方法不僅能夠識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間點的內(nèi)在關(guān)聯(lián)進行建模。

《基于深度學(xué)習(xí)的癲癇腦電信號分類》將癲癇腦電的一維時間序列數(shù)據(jù)轉(zhuǎn)換為二維圖像，使用EfficientNetV2 模型來實現(xiàn)癲癇檢測的二分類。同時，引入梯度加權(quán)類激活映射（Grad-CAM）對二維圖像分類進行可視化分析。

《輕度認(rèn)知障礙磁共振信號中固有頻率動態(tài)功能性連接的聚類研究》針對傳統(tǒng)的動態(tài)功能性連接無法表示不同頻率的功能性連接信息的問題，對被試的時間進程數(shù)據(jù)做噪音輔助的多元經(jīng)驗?zāi)B(tài)分解，從而對固有頻率動態(tài)功能性連接的聚類相關(guān)因素進行研究。

《基于卷積聯(lián)合適應(yīng)網(wǎng)絡(luò)的腦電信號情感識別》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）的腦電信號情感識別模型。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》針對注意力訓(xùn)練能否提高課堂注意力問題，對10 名在校學(xué)生進行了α 音樂訓(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。將Alexnet 和VGG11兩個網(wǎng)絡(luò)模型進行加權(quán)融合構(gòu)成雙卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于腦電信號分類，對α 音樂訓(xùn)練能否提高健康學(xué)生的注意力水平進行了分析。

《基于自注意力機制的腦血腫分割和出血量測量算法》提出一種基于自注意力機制深度學(xué)習(xí)網(wǎng)絡(luò)的腦血腫分割和出血量測量算法。為克服大腦結(jié)構(gòu)的復(fù)雜性，彌補卷積模塊只能進行線性運算和提取局部特征的缺點，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，實現(xiàn)在多種情況下的腦血腫分割和出血量測量。

《基于異步芯片的多模態(tài)神經(jīng)生理信號采集技術(shù)》以研究微觀神經(jīng)生理活動規(guī)律和宏觀心理生理活動為目的，解決異步多模態(tài)生理信息采集方案和相匹配的被動生理信號傳感技術(shù)設(shè)計難點，設(shè)計研發(fā)首個異步生理信號處理芯片，該芯片將具備低功耗、高精度時序、高性能計算和抗干擾的特點。

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

《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 無標(biāo)記運動捕獲系統(tǒng)采集并提取步態(tài)參數(shù)的方法，同時在數(shù)據(jù)處理中分別采用自適應(yīng)濾波、指數(shù)濾波、卡爾曼濾波及無濾波條件，從而提高步態(tài)參數(shù)計算結(jié)果的準(zhǔn)確性與可靠性。

《混合深度學(xué)習(xí)機制下的H 型高血壓脈診預(yù)測》提出了基于混合深度學(xué)習(xí)的脈診分類模型，在具有長期依賴特征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)的高血壓脈診分類網(wǎng)絡(luò)，實現(xiàn)H 型高血壓脈診預(yù)測精度。

本期專欄論文主要面向機器學(xué)習(xí)、腦信號等相關(guān)領(lǐng)域的研究人員，反映我國學(xué)者在腦信號智能分析與處理領(lǐng)域最新的研究進展。在此，我們特別感謝《數(shù)據(jù)采集與處理》編委會對本期專欄組稿、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、審稿專家邀請至評審意見匯總、論文定稿、修改及出版所付出的辛勤工作和汗水，感謝?？u審專家及時、耐心、細(xì)致的評審工作。此外，我們還要特別感謝向本期專欄踴躍投稿的作者對《數(shù)據(jù)采集與處理》的信任。

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