本文提出了一种分布式异步优化的多任务学习框架，旨在解决数据分散存储的挑战并提升模型的泛化性能。研究表明，该方法在合成和实际数据集上表现优异，探索了任务相关性及动态模型的构建，推动了自然语言处理领域的多任务学习应用。

本研究探讨了基于表面肌电图（sEMG）信号的手势识别技术，采用深度学习和多模态卷积神经网络，显著提高了识别准确性。通过生成虚拟信号和实时用户界面，减少了数据需求，提升了实用性。此外，研究提出了SDEMG去噪和EMGTFNet架构的新方法，展示了在假肢控制等领域的应用潜力。

滤波器是一种用于筛选电信号的电子设备，分为模拟滤波器和数字滤波器。滤波器种类多样，包括低通、高通、带通和带阻滤波器。滤波器选择对系统性能至关重要，设计需要确定通过和阻止的频率，选择适当的电路结构和元件值，分析频率特性。滤波器在电子领域中起着重要作用，推动电子技术进步。

扩散模型在心电信号处理中应用广泛，包括去除基线漂移与噪声、生成逼真心电波形、合成心跳及预测、恢复缺失导联、计算QTc并识别异常。此外，该模型还用于加速MRI重建、生物序列与图生成、肌电去噪及脑电想象语言解码，性能优于传统方法，应用前景广阔。

本文提出利用红外视频识别睡眠阶段，将EEG知识提炼为视觉信息，并构建了包含105名受试者、约1100小时视频的新数据集S3VE；新模型SACD在S3VE及现有跨模态数据集上均达到最先进性能。

该文综述多项基于脑电信号的研究：将EEG转为三维时空图并用DenseNet-3D解码，在KUL数据集1秒窗口达94.4%精度；提出CNN-SNN器件实现91.03%空间定位精度并降低参数与存储；另有TDANet、TasNet、SDANet、Transformer注意力评估、MACTN情感识别、BASEN语音增强及Atss-Net等模型，分别在语音分离、注意力评估与情感识别等任务上优于现有方法。

本文介绍了利用图信号处理来表征图神经网络（GNNs）的表征空间，讨论了图卷积滤波器在GNNs中的作用，以及扩展了边变量和自回归移动平均图滤波器的GNNs的属性。最后，探讨了在推荐系统和学习机器人群体的分散式控制器中使用GNNs的相关研究。

该文介绍了一种基于动态领域自适应的深度学习网络（DADL-Net），通过3D卷积模块将脑电数据映射到三维几何空间，并学习其时空特征，利用空间通道注意机制加强特征，最终通过卷积模块进一步学习特征的时空信息。该方法在BCI竞赛IV 2a和OpenBMI数据集上验证，准确率分别达到70.42%和73.91%。