大脑连接的形状对人类语言功能具有预测作用，通过形状分析、脑成像和 dMRI 引导下的大脑白质连接，可以改进对特定个体语言表现的预测。

Mar, 2024

提出一种基于深度神经网络的神经解剖学形态学的有监督学习方法，直接对原始点云进行操作，通过空间变换网络将数据映射到规范空间，并通过网络的端对端训练阶段学习最优表示，通过多个分支来学习多个结构的特征，应用于阿尔茨海默病和轻度认知障碍的预测和脑龄的回归，最后通过适应点云遮挡法来可视化预测解剖重要部位。

Jun, 2018

通过引入一种新的矩阵分析方法 —— 团拓扑，可以检测大脑神经元之间的几何组织，而不需要明确的空间编码，表明团拓扑是一种在生物学领域中强大的矩阵分析工具。

Feb, 2015

本研究提出了一种基于统计学习的无监督几何深度学习框架，利用局部相空间特征的统计分布来表示非线性动态系统，该方法提供了鲁棒的几何感知或几何无关的表示，可用于测量轨迹的基础上进行无偏的动力学比较，并设计了一种具有最先进准确性的解码算法。

Apr, 2023

本研究探讨了使用持久同调作为蛋白质分类的独立工具的潜力，通过构建机器学习特征向量仅基于蛋白质拓扑指纹，提出了一种基于分子拓扑指纹的支持向量机分类器，并取得了较高的分类精度。

Oct, 2015

研究应用实证频谱分析于现代深度学习分类器，展示其在深度网络频谱中的重要形式类 / 跨类结构及其特征，包括频谱异常值、突起和小但清晰的连续分布，介绍跨类结构的重要性，并证明多项式逻辑回归中，Fisher 信息矩阵频谱中异常值与主体审查的比例预测了误分类，在深度上，网络能够在将类别区分信息正交化的同时，逐渐分离类别特定信息，并提出了 KFAC 的校正。

Aug, 2020

本文提出了一种基于分割任务的检测方法，通过 Easy Sample Detection (ESD)、Hard Sample Detection (HSD)、Hard Sample Refinement (HSR) 三步骤来检测树突核并筛选假阳性预测。实验结果表明，该方法在召回率、准确率和 F1 分数等三项指标上均优于现有的基线系统。

May, 2023

利用多维数据的形状复杂度概念，应用在特定的非线性函数上，制定了一种新的 “中等距离” 下的基于约束的非线性规划问题，从而探索更有效的聚类缩放因子数量的方法。

May, 2022

本文概述了近期关于形状分析的技术，探讨了以高维空间中的点为形状的方法，借助合适的度量计算给定形状的变形范围，进而比较与分类 3D 对象、计算对象间的平滑变形并模拟与探索形状变异。提出该领域的发展方向及应用前景，涉及数学、统计学、计算机视觉与图形学、医学图像分析等领域。

Dec, 2018

本研究使用机器学习分析了纤维束形状特征从而预测非成像表型，发现单独的形状特征预测非成像表型具有较高的准确性，而结合微结构和连接特征可以显著提高预测效果。

Mar, 2023