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。

本研究利用LSTM和自我注意机制分析德语说话者的情绪唤醒和价值评估，提出多种神经网络模型（如ARNN和DPCNN），在脑电图信号处理和情感状态分类中表现优异，显著提高了预测准确性，为临床应用提供了潜在突破。

本文探讨了卷积神经网络（CNN）在三维重建中的不确定性建模，结合异方差噪声模型和贝叶斯推理，提升了扩散MR脑图像的重建性能。研究强调了不确定性在健康与病态大脑重建中的重要性，并提出了多种新方法以提高图像重建的准确性和鲁棒性。

本研究利用深度学习和静息态功能磁共振成像（fMRI）技术，探讨脑血流功能及损伤的检测，旨在早期预防脑血管疾病。提出的自监督预训练框架和一维CNN模型有效重建呼吸参数，降低fMRI研究成本。同时，研究了深度生成模型在生理信号中的应用，提出创新的fMRI预训练自编码器方法，提升脑活动解码的准确性。

本文提出了一种基于物理启发式神经网络的深度学习框架，用于量化和传播非线性微分方程系统中的不确定性。该框架通过概率表示训练系统状态，避免高成本的数据采集，并提供有效的深度生成模型训练机制。研究比较了多种不确定性量化方法，并提出了一种新方法DiffHybrid-UQ，以有效识别和量化数据噪声和模型偏差带来的内在不确定性。

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。

本文介绍了一种自我调节的人工神经网络，能够在高变化环境中提高适应性。研究通过主动推理框架模拟人类行为，展示了该模型在视觉-运动任务中的有效性。该神经网络结构能够处理感觉运动信息，实现灵活的目标导向行为，并适用于不同地形的零样本推广。

本文探讨了深度潜变量模型的局限性及其在生理信号重建中的应用，提出新技术和模型以提高预测准确性，尤其是在重症监护室中利用多元时间序列数据改善患者表型刻画，展示了机器学习在临床护理中的潜力。

通过多个低秩专家的混合模型和新型路由机制，设计了一种适应于多任务远程生理测量的模型（PhysMLE），并引入了生理学中的先验知识以克服实际多任务生理测量中标签空间不平衡的问题。运用提出的多源语序域泛化（MSSDG）协议进行了充分的实验和评估，证明了 PhysMLE 的有效性和效率。

通过建构情绪理论建立多层多模潜在狄利克雷分配模型来解释情绪概念的形成过程，并验证了该模型对主观人类情绪匹配度和未知信息预测的有效性。

本文提出了一种新框架，通过显性和隐性先验知识改进远程光电容积图术（rPPG）模型，分析噪声源并利用双分支网络提取生理特征。研究表明，该方法在RGB和NIR数据集上表现优越，增强了模型的泛化能力，并提出了修正非接触式心率估计误差的新方法。