时间：2025年9月13日 星期六

地点：成都大学2教2113室

报告人：马力  李文凯

成都信息工程大学的马力同学聚焦高维数据模糊聚类难题，在《A New Semi-Supervised Fuzzy Clustering Method Based on Latent Representation Learning and Information Fusion》中，针对传统模糊聚类处理高维数据时受冗余特征干扰、难以利用监督信息的问题，提出 LIF-SFC 框架。该框架融合深度自编码器的 latent 表示学习与信息融合的半监督约束项，通过深度自编码器捕捉数据低维潜在结构以减少冗余特征影响，并实现 latent 表示学习与半监督聚类的相互更新与联合优化。实验在 12 个数据集表现突出，较传统方法提升显著；在 Web-texas、Isolet 等复杂高维数据集，即便标签比例较低时，仍保持稳定聚类性能。

随后，来自成都信息工程大学的李文凯同学分享《STA-Net: Spatial–temporal alignment network for hybrid EEG-fNIRS decoding》，针对 EEG-fNIRS 混合脑机接口中两种信号时空错位及融合性能受限的问题，提出 STA-Net 框架。该框架通过 fNIRS 引导的空间对齐层与 EEG 引导的时间对齐层实现双模态信号精准匹配：FGSA 层从 fNIRS 提取任务相关敏感脑区，通过加权 EEG 通道实现两者空间对齐；EGTA 层基于交叉注意力机制生成时间注意力图，动态调整 fNIRS 信号。实验中，STA-Net 在数据集 - A 的 MI 任务平均准确率达 69.65%、MA 任务达 85.14%，在数据集 - B 的 WG 任务达 79.03%。

两篇论文分别从“高维数据半监督模糊聚类优化”与“双模态脑电信号时空对齐融合” 切入，展现机器学习与生物医学信号处理交叉创新价值：LIF-SFC 的 latent 表示学习与多源监督信息融合机制，可助力康复过程中患者生理状态的精准分组与特征挖掘；而 STA-Net 的时空对齐策略与双模态联合优化思路，为跨患者康复脑机接口系统的个性化适配提供技术路径。

一审：  周   楠

二审： 罗浚溢

三审： 施开波