时间：2025 年 11 月 14 日 星期五

地点：生物与医药前沿技术研究院 208 会议室

报告人：于钥（老师）、娄骏雯（同学）

于钥老师聚焦功能性近红外光谱（fNIRS）信号易受噪声干扰、数据浪费严重的核心痛点，分享《Reconstructing damaged fNIRS signals with a generative deep learning model》，提出融合多尺度卷积与门控循环单元（GRU）的生成式深度学习重建方法。该方法创新点显著：一是构建多尺度时序模型，整合多尺度卷积层、GRU 与线性回归，同时捕捉 fNIRS 信号的空间关联与时间动态特征，突破传统方法仅依赖单一维度信息的局限；二是设计专属数据增强策略，通过随机置零模拟单通道、空间相邻 / 非相邻多通道损伤场景，提升模型鲁棒性。实验验证显示，单通道重建信号与原始信号平均相关系数达 0.80±0.14，功能连接矩阵相似度高达 0.93，即使多通道损伤场景下仍保持 0.75 以上相关性，为脑科学研究、临床精神疾病诊断中的 fNIRS 数据高效利用提供关键技术支撑。。

随后，娄骏雯同学针对传统属性图聚类中离群点干扰、几何结构失真、长距离节点关系忽略等问题，解读《Weighted symmetric nonnegative matrix factorization and graph-boosting to improve the attributed graph clustering》，提出加权对称非负矩阵分解结合图增强的 WSBGC 聚类框架。该框架核心设计包括：一是引入加权对称非负矩阵分解（WSNMF），融合节点属性相似度与结构信息，通过图正则化与稀疏约束抑制离群点、保留数据几何结构；二是创新图增强模块，构建辅助图与精炼图捕捉长距离节点关联，搭配图注意力自编码器优化聚类模型。实验在 ACM、Cora 等 6 个基准数据集上验证，平均聚类准确率（ACC）达 69.9%，较现有最优方法提升 2.5%，且在大规模稀疏图中保持高效性能，为生物网络分析、社交网络社区检测等场景提供精准聚类解决方案。

本次分享覆盖脑信号处理与图数据挖掘两大前沿方向，展现深度学习在生物医学与网络分析领域的应用价值。于钥老师的 fNIRS 信号重建方法可为脑机接口康复设备、认知功能评估提供高质量数据支撑，娄峻雯同学的聚类框架则为生物分子网络聚类、医疗数据关联分析提供高效工具。与会师生围绕 “模型在临床动态信号中的适配性”“图增强模块的参数优化” 展开深入讨论，为技术落地生物医学场景积累关键思路，进一步强化跨学科学术交流氛围。

一  审： 周   楠

二  审： 罗浚溢

三  审： 施开波