学术背景 在当今复杂网络系统中，状态估计（state estimation）是一个关键问题，尤其是在面对不确定性和噪声时。复杂网络通常由多个相互连接的节点组成，每个节点的动态行为可能受到非线性因素的影响。Takagi-Sugeno（T-S）模糊模型因其能够有效捕捉不确定信息并描述复杂网络的非线性动态特性，在复杂网络建模中展现了显著优势。然而，传统状态估计方法通常需要详细的噪声统计特性，而在实际应用中，噪声往往是未知但有界的（unknown but bounded, UBB）。集员估计（set-membership estimation, SME）方法在这种情况下提供了一种新的解决方案，它能够在没有精确噪声统计信息的情况下，提供确定的误差边界。 本研究旨在探讨T-S模糊复杂网络（TSFCNs）...

四足机器人应用的柔性步态传感器研究 背景介绍 随着机器人在日常生活和工业生产中的广泛应用，尤其是在需要标准化、持久性和重负荷操作的场景中，智能机器人的发展逐渐成为趋势。然而，机器人在复杂环境中的操作仍面临诸多挑战，例如救援任务、自动化物流、自主运输和智能家居等领域。这些机器人需要理解其工作环境并自主操作，而机械运动的稳定性是其中的关键因素。传统的稳定性保障方法包括使用精确的传感器来监测姿态和环境，并结合复杂的控制系统来调整运动。然而，随着应用场景的复杂化，现有的传感器技术已无法满足需求，特别是在不规则地形和障碍物导航方面。 为了应对这些挑战，研究人员开始探索新型传感器技术，尤其是能够同时检测压力和振动的柔性传感器。这类传感器可以模仿生物机械感受器的功能，帮助机器人更好地感知外部环境。本研究提...

随着全球老龄化问题的加剧，神经退行性疾病（如阿尔茨海默病，Alzheimer’s Disease, AD）的发病率逐年上升。大脑老化（Brain Aging, BA）是神经退行性疾病的重要风险因素之一，但其与生理年龄（Chronological Age, CA）并不完全一致。传统的大脑老化评估方法主要依赖于DNA甲基化时钟，然而，这种方法无法直接反映大脑组织的老化情况，因为血脑屏障（Blood-Brain Barrier）将血液中的细胞与脑细胞分隔开来。因此，如何通过非侵入性手段准确评估大脑老化速度（Pace of Brain Aging, P）成为了一个重要的研究课题。 本研究旨在通过深度学习技术，利用纵向磁共振成像（Longitudinal MRI）数据，开发一种能够量化大脑老化速度的模...

虚拟现实中的存在感：神经生理学标记的探索与验证 背景介绍 近年来，虚拟现实（Virtual Reality, VR）技术在医学、训练和康复等领域得到了广泛应用。VR的核心在于用户的“存在感”（Sense of Presence），即用户在虚拟环境中感受到的“身临其境”的体验。然而，目前对于存在感的评估主要依赖于主观问卷，如ITC-SOPI（ITC-Sense of Presence Inventory）和SUS（Slater-Usoh-Steed）问卷。这些方法存在主观偏差，且难以捕捉用户的无意识反应。因此，开发一种基于神经生理信号的客观评估方法成为研究的迫切需求。 本研究的目的是通过多模态生理信号（如脑电图EEG、心电图ECG和皮肤电活动EDA）来识别与VR环境中存在感相关的神经生理标记，...

基于光谱扩散后验采样的多材料分解研究 背景介绍 在医学成像领域，CT（计算机断层扫描）技术被广泛应用于疾病诊断和治疗规划。近年来，谱CT（spectral CT）因其能够提供能量依赖的衰减信息，成为研究热点。谱CT通过多能量通道的投影数据，可以重建出不同材料的密度分布，这一过程称为材料分解（material decomposition）。然而，材料分解是一个高度非线性的逆问题，传统的分解方法如解析分解（analytical decomposition）和迭代模型分解（iterative/model-based decomposition）存在诸多局限性，如计算效率低、噪声大、模型依赖性强等。此外，尽管基于深度学习的分解方法在精度和速度上有显著提升，但它们往往缺乏对物理模型的显式利用，导致鲁棒...

多分辨率信号小波网络在语音情感识别中的应用：SigWavNet 学术背景 语音情感识别（Speech Emotion Recognition, SER）在人机交互和心理学评估中扮演着重要角色。它通过分析语音信号来识别说话者的情感状态，广泛应用于紧急呼叫中心、健康护理和虚拟AI助手等领域。然而，尽管该领域取得了显著进展，系统复杂性、特征区分度不足以及噪声干扰等问题仍然存在。为了解决这些挑战，来自University of Québec、Concordia University和University of Québec at Montréal的研究团队提出了一种新的端到端深度学习框架——SigWavNet，直接从语音波形信号中提取有意义的特征，并通过多分辨率分析提升情感识别的准确性。 论文来源 ...