本研究提出了一种目标信号约束分解模块（TSFM），以提高远程生理信号提取的准确性。结合TSFM的双分支3D-CNN架构（MMRPhys），在光电容积脉搏和呼吸信号的多任务估计中表现优越，适用于实时应用，建立了新的鲁棒性基准。

本研究针对动态正电子发射断层扫描（PET）中传统方法计算负担重和空间分辨率低的问题，提出了一种基于隐式神经表示（INRs）的生理神经表示方法，用于个性化的动力学参数估计。该方法通过学习连续函数，实现了数据需求减少的高分辨率参数成像，并结合3D...

本文研究了强化学习在医疗领域的应用，提出了一种新的方法：基于规则的强化学习层（RRLL），该方法能够纠正模型中生理上不可能的预测。研究表明，RRLL在处理多种医疗分类问题时显著提高了预测准确性，并有效减少了不合理预测的发生。

本研究针对通过面部视频进行的远程生理信号测量（rPPG）中所面临的性能平衡问题，提出了一种新颖的端到端框架VidFormer。该框架整合了3DCNN和Transformer模型，并通过引入时空注意机制和信息交换模块，实现了对输入数据的局部和全局特征的高效提取。实验结果表明，VidFormer在五个公开数据集上的表现优于当前最先进的方法，具有重要的应用潜力。

本研究针对以往基于性格特征评估学业表现的局限性，提出了一种依赖生理信号的新评估方法。研究发现，学生的外向性、宜人性、尽责性和开放性与学习过程中生理信号的变化显著相关，这为性格特征评估提供了新的视角和潜在应用。

本研究提出了一种新型多任务驾驶员监控系统（VDMoE），通过面部特征和远程光电容积描记技术（rPPG）有效评估驾驶员的认知负荷和疲劳状态，从而提高检测准确性和计算效率，增强自动驾驶的安全性。

本研究提出了开放基础模型PaPaGei，解决了光电容积描记法（PPG）模型的通用性问题。该模型在超过57,000小时的PPG信号数据上进行预训练，在20项健康任务中表现显著提升，具有重要的应用潜力。

引入L-SFAN卷积神经网络，通过2D滤波器设计捕捉动作和肌电图数据的时空相互作用。改进模型使用定向全局池化层和多头自注意机制，提高慢性下腰痛的分类准确度。实验表明，该方法在减少参数的同时提升性能，并增强模型可解释性，为临床管理提供新见解，展示AI在慢性病医疗中的潜力。

本文提出了首个无源领域自适应基准(SFDA-rPPG)，通过TSTC-Net和FWD实现了在无源数据访问的情况下有效的领域自适应。实验结果表明该方法在无源领域自适应设置下的有效性。

本研究提出了基于Mamba的PhysMamba框架，用于捕捉面部视频中的生理依赖关系。该框架结合时间差分Mamba块和双流SlowFast架构，提高了生理信号的捕捉和分析效率，并展示了在多种应用中的潜力。

本文研究了使用卷积神经网络进行三维重建的不确定性建模的价值。通过采用异方差噪声模型和参数不确定性，作者展示了这两者联合起来可以带来最先进的扩散MR脑图像三维重建性能。该方法为超解析的输出提供了一种自然的量化不确定性的机制，并通过实验证明了这种不确定性的重要性。

研究提出了一种创新的fMRI预训练自编码器方法（fMRI-PTE），通过转化fMRI信号为二维表示，解决了个体脑差异导致的数据维度变化的挑战。该方法能够生成良好表示的fMRI特征，便于脑活动解码等任务。实验证实了该方法的有效性。

混合神经可微模型（Hybrid Neural Differentiable Models）结合了物理学数值表示和深度神经网络，提供了强大的预测能力，并在数据驱动的复杂物理系统建模方面具有巨大潜力。DiffHybrid-UQ是一种新的方法，用于有效和高效地传播和估计混合神经可微模型中的不确定性。该方法能够识别和量化来自数据噪声和模型形式偏差以及数据稀疏性引起的认知不确定性。通过混合神经模型建模随机噪声，并使用无损变换传播不确定性。同时，使用随机梯度下降轨迹估计认知不确定性。该方法适用于并行计算环境，并在常微分方程和偏微分方程问题中展示了优势。

通过使用 Mamba-2 模型和交互式的双流时频模型 PhysMamba，以及应用 Cross-Attention State Space Duality（CASSD）模块来改善信息交流和特征互补性，验证结果显示 PhysMamba 在各种场景下取得了最先进的性能，尤其在复杂环境中，展示了它在实际远程心率监测应用中的潜力。

本研究使用神经网络选择动作，测试主动推理框架的能力，预测任务环境信息和自由能，证明了AIF作为人类预期视觉引导行为的可信模型。