• 适应性应对在大学生特质情绪智力与学业动机之间的中介作用

  大学教育中学生动机不足已成为欧洲高等教育区面临的重要挑战之一，这直接体现在高辍学率和低学术表现上。据欧洲委员会报告，大约有20%的欧盟大学学生在完成学业前辍学。一项由Eurostudent进行的研究分析了28个欧洲国家的教育现状，结果显示18%的学生因缺乏动机和学术压力而认真考虑放弃学业。尤其是在西班牙和意大利等国家，第一年学生的辍学率高达25%。这种现象的根源在于学生与课程内容之间的脱节，以及他们认为学术环境不足以激发学习动机。在教育领域，应用神经科学为理解大脑过程如何直接影响学术动机提供了重要的理论框架。特别是，负责情绪调节的大脑回路，如腹内侧前额叶皮层（vmPFC）、背外侧前额叶皮层（d

  来源：Trends in Neuroscience and Education

  时间：2025-10-10

• 神经网络增强型PACBED在表征二维范德华材料中原子尺度形变性能的仿真研究

  在现代材料科学中，二维范德华（vdW）材料因其独特的机械、电子、光学和催化特性而备受关注。这些材料通常具有薄层结构，其特性可以通过局部晶格变形进行调控。然而，由于材料并非总是完美且平坦的，其性能会受到局部晶格畸变的影响，包括二维应变张量、平面内旋转和起伏（后者表现为局部样品倾斜）。因此，为了更精确地控制这些材料的性能，需要深入理解这些局部畸变的特性。位置平均收敛束电子衍射（PACBED）是一种能够提供局部原子结构信息的强大技术。本研究通过全面的模拟分析，探讨了PACBED结合卷积神经网络（CNN）在预测二维材料畸变参数方面的性能。我们生成了约10万种2H MoS₂的模拟PACBED图案，厚度范

  来源：Ultramicroscopy

  时间：2025-10-10

• 一种自动且高效的微型单变量卷积神经网络框架，用于从脑电图（EEG）信号中检测多种神经系统疾病

  作者：Shraddha Jain、Rajeev Srivastava、Sukomal Pal印度理工学院（IIT-BHU）计算机科学与工程系，瓦拉纳西（北方邦），印度-221011摘要：目的神经系统疾病在全球范围内影响着数百万人，导致了严重的发病率和死亡率。本研究提出了μCNN框架，以增强脑电图（EEG）数据分析能力，从而提高多种神经系统疾病的诊断和分类精度。方法μCNN框架利用独特的6通道EEG频谱图表示方法，从频率和相关性成分中提取关键特征。该模型通过卷积层、最大池化和批量归一化来对精神分裂症、帕金森病、阿尔茨海默病、癫痫和中风等疾病进行分类。结果在包含15,600个EEG频谱图的数据集上

  来源：Smart Health

  时间：2025-10-10

• 图分布外泛化的联合子图独立性

  近年来，随着深度学习技术的快速发展，图神经网络（Graph Neural Networks, GNNs）在处理复杂数据结构方面展现出强大的能力。图神经网络被广泛应用于社交网络分析、推荐系统以及分子属性预测等任务。然而，在实际应用中，数据往往不是独立同分布（Independent and Identically Distributed, I.I.D）的，而是存在分布偏移（Distribution Shift）。这种偏移会显著影响模型的性能，尤其是在测试数据与训练数据分布不一致的情况下，模型容易出现性能下降的问题。分布偏移的出现通常与数据生成机制的复杂性和不确定性有关。在现实世界中，训练数据和测试

  来源：Pattern Recognition

  时间：2025-10-10

• 基于病理图像的自监督学习方法在透明细胞肾细胞癌生存预测中的应用

  李五超|张燕|杨尚宗|张学涛|李品豪|王荣平贵州大学医学院，贵阳市，550000，贵州，中国摘要全切片图像（WSIs）对于诊断透明细胞肾细胞癌（ccRCC）至关重要，但其复杂的组织拓扑结构和肿瘤微环境特征给传统分析方法带来了挑战。我们提出了一种基于病理图谱的自监督学习（PGSL）方法来预测ccRCC患者的生存情况。PGSL通过对超过1000张ccRCC WSI进行大规模图谱自监督预训练，使用遮盖链接预测任务来恢复局部拓扑结构和肿瘤微环境的语义，该方法通过随机遮盖节点并预测它们的连接性来实现这一点。在推理阶段，预训练模型生成一个加权邻接矩阵，为切片级别的计算提供基于拓扑的指导。这个学习到的图谱与

  来源：Pattern Recognition

  时间：2025-10-10

• 综述：恩德尔·图尔文：对其科学贡献的致敬

  Endel Tulving（1927-2023）是认知心理学与神经科学领域的传奇学者，其研究重塑了人类记忆的认知框架。他通过行为实验与神经影像技术的结合，不仅构建了记忆系统的理论模型，更推动了记忆研究从实验室走向临床实践。以下从四个维度解析其学术贡献：### 一、记忆研究的范式革新20世纪60年代，Tulving突破传统记忆研究范式，提出记忆的三重维度：**可获性（availability）**与**可及性（accessibility）**的区分，以及**主观组织（subjective organization）**理论。在自由回忆实验中，他发现学习者会主动对无序词汇进行分类整合，这种“主观组

  来源：Neuropsychologia

  时间：2025-10-10

• 视觉外观和敏感性是由不同的机制所调节的

  在本研究中，科学家Zahide Pamir和Huseyin Boyaci探讨了视觉系统中两个关键功能之间的差异：物体的感知（即其外观）和对物体特征的敏感度。他们通过一系列实验，旨在确认这些功能是否由相同的神经机制调控，或者是否存在部分不同的机制。研究的核心在于使用一个复杂的视觉场景，其中两个具有相同物理亮度的区域在主观感知上呈现出不同的明度。在这样的背景下，研究者测试了参与者对叠加在这些区域上的增量和减量条纹图的对比度感知和检测阈值，同时利用功能性磁共振成像（fMRI）记录了大脑早期视觉区域的活动情况。研究结果显示，增量条纹图在叠加于主观上更明亮的区域时，其对比度感知显著提高，而减量条纹图的感

  来源：Neuropsychologia

  时间：2025-10-10

• 利用负样本中相似且具有代表性的实体来补全知识图谱

  深度估计在计算机视觉中扮演着至关重要的角色，其应用范围涵盖了自动驾驶、机器人技术、农业监测以及环境分析等多个领域。随着深度学习技术的不断进步，传统的基于帧的图像处理方法已经取得了显著成果，但这些方法在处理事件相机数据时存在一些固有的局限性，例如延迟高、能耗大以及动态范围受限。事件相机作为一种新兴的传感器技术，能够以异步方式捕捉每个像素亮度变化，从而提供高时间分辨率、低延迟、低能耗以及宽动态范围的输出。这种特性使其在需要实时响应和低功耗的场景中具有独特的优势。然而，事件相机产生的数据形式与传统图像不同，通常表现为稀疏的二进制脉冲流，这对传统的深度学习模型提出了新的挑战。为了克服这些挑战，研究者们

  来源：Neurocomputing

  时间：2025-10-10

• 非极化嵌入学习在多模态领域泛化中的应用

  深度估计在计算机视觉领域占据着至关重要的地位，其应用范围广泛，包括自动驾驶、机器人技术、农业监测以及环境分析等。随着深度学习技术的不断进步，传统的基于图像的深度估计方法已经取得了显著的成果。然而，这些方法在处理动态范围受限、延迟高以及能耗大的问题时仍然存在不足。近年来，事件相机作为一种新型的视觉传感器，因其能够以异步、稀疏和二进制形式捕捉亮度变化，提供了独特的性能优势。这些特性使得事件相机在实时性和能耗方面优于传统相机，但其产生的数据格式与常规图像不同，使得现有深度估计模型难以直接应用。为了克服这些挑战，研究者们开始探索将事件相机数据与神经网络相结合的方案，特别是在事件驱动的神经网络（SNNs

  来源：Neurocomputing

  时间：2025-10-10

• 一种新型的高能效尖峰变压器网络，用于通过跨模态知识蒸馏从事件相机中获取深度估计信息

  深度估计是计算机视觉中的关键任务，广泛应用于自动驾驶、机器人、农业监测和环境分析等领域。传统深度估计方法通常依赖于标准帧式摄像头与人工神经网络（ANNs）结合，但这些方法存在延迟、能耗和动态范围的局限性。而事件摄像头作为一种新兴技术，能够异步捕获每个像素的亮度变化，具有高时间分辨率、低延迟、低能耗和宽动态范围等优势，为深度估计提供了新的可能性。然而，事件摄像头产生的数据是异步的二进制脉冲流，这使得传统的基于图像的深度估计方法难以直接应用。同时，由于事件数据的特殊性，现有的SNN（脉冲神经网络）在处理这类数据时也面临挑战，如缺乏专门设计的SNN骨干网络，以及在复杂视觉任务中SNN性能通常不如其A

  来源：Neurocomputing

  时间：2025-10-10

• 具有通用离散时变延迟的神经网络的有限时间反同步现象

  在现代科学与工程领域，神经网络（Neural Networks, NNs）作为一种强大的计算工具，被广泛应用于模式识别、信号处理、控制系统等多个方面。然而，神经网络在实际应用中常常面临时间延迟的问题，这不仅会影响系统的稳定性，还可能引发复杂的动态行为。因此，研究神经网络的时间延迟特性以及如何有效控制其影响，成为当前学术界和工业界关注的重要课题之一。特别是在有限时间（Finite-Time, F-T）控制领域，如何在限定的时间内实现神经网络的同步或反同步，不仅具有重要的理论意义，还对实际应用具有深远的影响。有限时间反同步是指在特定的时间范围内，两个或多个神经网络系统的状态变量在绝对值上相同，但符

  来源：Neurocomputing

  时间：2025-10-10

• 在光学和光子学中，针对Kundu–Mukherjee–Naskar系统的波长特异性反射器中的波动现象

  本文聚焦于马尔可夫奖励博弈（Markov Reward Games, MRGs）的优化求解方法，提出了一种基于决策树修剪的卷积神经网络架构，旨在解决传统方法在计算复杂性和实时性方面的局限性。研究首先通过矩阵范数法（MNBS）生成不同规模的游戏数据集，涵盖从10³到10⁵的复杂度，涵盖2-3-4、3-3-4等不同动作-阶段组合的博弈场景。在此基础上，创新性地将卷积神经网络与决策树修剪技术结合，构建了适用于大规模MRGs的实时求解框架。论文核心贡献体现在三个维度：首先，在数据生成阶段，通过矩阵范数法构建了包含奖励矩阵、状态转移矩阵和最优策略的标准化数据集，突破了传统迭代算法在处理高维状态空间时的效

  来源：Journal of Computational Science

  时间：2025-10-10

• 用于更快求解马尔可夫奖励游戏的机器学习树剪枝技术

  本文探讨了一种基于神经网络架构的新方法，用于解决具有较大状态和动作集合的马尔可夫奖励博弈（Markov Reward Games, MRGs）。传统方法通常依赖于状态-动作框架和迭代算法，但在处理大规模博弈时，这些方法往往面临显著的计算负担。为了解决这一问题，研究者提出了一种创新的决策树剪枝策略，并结合神经网络进行实时预测，从而提升实际应用中的效率与可行性。马尔可夫奖励博弈作为概率论、博弈论与不确定性决策交叉的领域，广泛应用于多个实际场景，如制造流程优化、水力发电水库管理、医疗决策支持、车辆边缘计算中的任务调度等。这些博弈模型通常包含状态、动作、转移概率以及折扣因子等要素，能够有效模拟复杂系统

  来源：Journal of Computational Science

  时间：2025-10-10

• 通过检查无权复杂网络中节点在Krylov子空间内的轨迹以及各种拓扑特征来检测关键节点

  这篇文章探讨了在人工智能背景下，如何利用新的神经网络架构来解决具有较大状态和动作集合的马尔可夫奖励博弈（Markov Reward Games, MRGs）。传统的方法主要依赖于状态-动作框架和迭代算法，但这些方法在处理大规模博弈时往往面临计算负担过重的问题。因此，研究者提出了一种基于决策树剪枝的新方法，并结合了机器学习技术，以提高预测效率和实用性。马尔可夫奖励博弈可以视为概率论、博弈论和不确定性决策的交叉领域。这类博弈模型关注的是，决策结果不仅取决于当前状态，还受到概率事件和智能体之间互动的影响。与传统的马尔可夫决策过程（Markov Decision Process, MDP）相比，MRG

  来源：Journal of Computational Science

  时间：2025-10-10

• 时间型对风险决策的神经调控机制：一项事件相关电位（ERP）研究

  HighlightParticipant本研究通过G*Power（3.1.9.2版本）进行样本量计算，设定效应量ρ=0.25、α=0.05、统计效力0.95，确定最低需36名参与者。最终从伊朗大不里士大学招募39名参与者（20名晨型，19名夜型；年龄18-31岁），所有参与者视力正常、无神经或精神疾病史，并通过Morningness-Eveningness问卷（MEQ）和慕尼黑时间型问卷（MCTQ）严格筛选分组。Behavioral results行为数据分析前经Shapiro-Wilk检验显示：反应时间（RT）不符合正态分布（p0.05）。Levene检验表明风险选择方差非齐性（p=0.01

  来源：International Journal of Plant Sciences

  时间：2025-10-10

• 焦虑诱导下心脏迷走神经活动动态及短期生物反馈训练的调节作用

  在情绪调节与自主神经系统功能的研究领域中，神经内脏整合模型（Neurovisceral Integration Model）与迷走神经张力理论（Vagal Tank Theory）曾提出心脏迷走神经活动（Cardiac Vagal Activity, CVA）会因应自我调节需求而产生动态变化，然而这一理论假设长期缺乏充分的实证数据支持。尤其在现代社会高压力环境下，焦虑等情绪问题日益显著，探索CVA在情绪应激下的变化规律，以及通过有效干预提升自主神经调节能力，已成为健康医学与心理生理学交叉领域的重要课题。为回应这一科学问题，Fanxi Ding、Wentao Tian与Luqing Wei等人开

  来源：International Journal of Plant Sciences

  时间：2025-10-10

• 综述：机器学习模型在农产品干燥中的应用进展、挑战与前景综述

  机器学习模型在农产品干燥中的革命性应用随着人工智能技术的飞速发展，机器学习（Machine Learning, ML）正以前所未有的方式重塑农产品干燥领域的研究范式。其强大的数据挖掘能力能够精准捕捉干燥过程中复杂动态的参数关联与潜在规律，尤其在处理非线性关系方面展现出色性能。近年来，ML模型已成为该领域质量预测、工艺优化与智能控制研究的核心焦点。构建ML模型的关键技术路径开发高效ML模型需经历四个核心阶段：首先通过传感器网络与实验设备采集干燥过程中的多源数据（如温度、湿度、物料含水率）；随后进行数据预处理（包括噪声过滤、特征标准化与缺失值填补）；继而采用网格搜索、遗传算法等优化超参数调优；最终

  来源：Food and Bioprocess Technology

  时间：2025-10-10

• 基于固定化SERT亲和色谱从香附子中筛选新型天然SSRI抗抑郁剂α-cyperone及其机制研究

  通过基因编码非天然氨基酸(UAAs)与"硫醇-烯"点击化学反应，研究团队成功构建了具有优异特异性和稳定性的固定化血清素转运体(SERT)色谱平台。该技术实现了配体-受体相互作用的精准分析，其亲和力排序结果与传统放射免疫分析法高度一致。利用该平台，研究人员从香附子(Cyperus rotundus)中鉴定出萜类化合物α-cyperone作为强效SERT抑制剂，该分子展现高达6.97×104 M−1的结合亲和力和良好的类药特性。在慢性不可预见性温和应激(CUMS)小鼠模型中，α-cyperone通过特异性抑制SERT重摄取功能，显著提升突触间隙5-羟色胺(5-HT)和去甲肾上腺素(NE)浓度，有效

  来源：ANALYTICAL AND BIOANALYTICAL CHEMISTRY

  时间：2025-10-10

• 跳蛛对周边漂移错觉无感知：挑战运动感知神经回路的普遍性假设

  在动物王国的视觉迷宫中，周边漂移错觉（Peripheral Drift Illusion, PDI）一直是个引人入胜的谜题。当人类注视着由锯齿状亮度梯度组成的静态图案时，会不由自主地感知到旋转运动——这种错觉现象被认为揭示了运动感知神经机制的进化保守性。从果蝇到哺乳动物，众多物种都共享这种视觉"漏洞"，其背后机制被归结为视觉系统中ON（亮边处理）和OFF（暗边处理）通路的不平衡处理。然而，自然界中存在一个特立独行的视觉大师：跳蛛（jumping spider）。这些八眼掠食者拥有地球上最奇特的视觉系统之一，它们的四对眼睛功能完全分离，其中可动的高分辨率主眼（Anterior Medial Ey

  来源：Heliyon

  时间：2025-10-10

• 基于可见光与近红外光谱的双模态种子图像数据集BiSID-5k：推动农业种子分类与多模态深度学习研究

  在农业种子生产过程中，种子质量管控一直是行业核心挑战。不仅需要满足客户需求，还需遵循国际种子检测协会（ISTA）及各国严格的法规标准。然而，传统种子分类严重依赖人工经验，面临高类别数量、高类内变异性和低类间差异性等多重难题。尤其是一些杂草种子因物种亲缘关系或瓦维洛夫拟态现象（vavilivian mimicry），在形状、大小和颜色上极为相似，使人眼鉴别极易出错。尽管深度学习在图像分类领域取得突破性进展，但现有种子数据集普遍存在样本量少、类别不平衡、缺乏多模态数据等问题，难以支撑现代卷积神经网络（ConvNet）或视觉Transformer（ViT）模型的训练需求。为此，由Maksim Kuk

  来源：Scientific Data

  时间：2025-10-10

知名企业招聘：