“腦信號智能分析與處理”專欄前言

“腦信號智能分析與處理”專欄前言鄔霞，張道強

（1.北京師范大學人工智能學院，北京100091；2.南京航空航天大學計算機科學與技術學院，南京211106）

人工智能被廣泛應用于腦科學等領域，并發(fā)揮了重要作用?！丁笆奈濉币?guī)劃綱要和2035年遠景目標綱要》將“類腦計算與腦機融合技術研發(fā)”列為國家重點研究攻關項目。腦信號智能分析與處理作為“類腦計算與腦機融合技術研發(fā)”的重要方向之一，能夠有效地推動心理學、生物學、認知神經(jīng)科學與臨床醫(yī)學等領域的發(fā)展。然而，腦信號具有類型多樣、信息復雜等特點與挑戰(zhàn)。為了應對這些挑戰(zhàn)，有必要探索和發(fā)展以機器學習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、建模的機器學習方法與應用研究。

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（FEPN）進行阿爾茨海默癥的核磁共振成像早期診斷。通過設計的淺層特征重提取模型利用上下文信息補充高層特征，并計算融合權重指導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)和任務態(tài)時腦電信號和加速度信號間的因果關系及演變規(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》將稀疏編碼與深度學習相結合，提出了一個基于稀疏編碼深度學習網(wǎng)絡的彌散微循環(huán)模型參數(shù)估計方法。該方法利用了深度網(wǎng)絡的表達優(yōu)勢，同時結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FasterR-CNN的腦CT影像出血診斷方法》提出代價敏感的FasterR-CNN模型，通過自動調節(jié)模型中錨的訓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區(qū)域來診斷腦內出血情況。

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

《基于噪聲混淆增強特征魯棒性的腦疾病預測》提出了一種基于參數(shù)分解和關系誘導的多任務學習（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，而且能夠對不同時間點的內在關聯(lián)進行建模。

《基于深度學習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，引入梯度加權類激活映射（Grad-CAM）對二維圖像分類進行可視化分析。

《輕度認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)驗模態(tài)分解，從而對固有頻率動態(tài)功能性連接的聚類相關因素進行研究。

《基于卷積聯(lián)合適應網(wǎng)絡的腦電信號情感識別》將遷移學習中聯(lián)合適應的思想融合到深度卷積網(wǎng)絡中，提出一種基于深度卷積聯(lián)合適應網(wǎng)絡（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域分布不同的問題。

《基于雙卷積神經(jīng)網(wǎng)絡融合的注意力訓練研究》針對注意力訓練能否提高課堂注意力問題，對10名在校學生進行了α音樂訓練，收集了訓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)絡模型進行加權融合構成雙卷積神經(jīng)網(wǎng)絡應用于腦電信號分類，對α音樂訓練能否提高健康學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習網(wǎng)絡的腦血腫分割和出血量測量算法。為克服大腦結構的復雜性，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》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設計難點，設計研發(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特征集導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AzureKinect無標記運動捕獲系統(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)計算結果的準確性與可靠性。

《混合深度學習機制下的H型高血壓脈診預測》提出了基于混合深度學習的脈診分類模型，在具有長期依賴特征BiLSTM網(wǎng)絡中增加CNN結構提取脈診特征局部相關特征，構建基于CNN-BiLSTM結構的高血壓脈診分類網(wǎng)絡，實現(xiàn)H型高血壓脈診預測精度。

本期專欄論文主要面向機器學習、腦信號等相關領域的研究人員，反映我國學者在腦信號智能分析與處理領域最新的研究進展。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