本文探索运用深层潜变量模型解决与生理监测相关的高维问题，包括利用心电波形生成模型进行心脏疾病诊断、结合概率图模型和深度对抗学习的大脑信号建模方案以及生理测量和行为联合建模的框架。这些创新性计算方法的成功应用能够在生物学研究、临床诊断和新兴消费应用中实现生物标记发现的跨物种翻译，并为神经认知分析提供洞察力。

May, 2024

本文旨在通过恢复底层的低维潜在状态及其时间演化来改进动力系统的泛化能力和解释能力。我们提出了一种基于变分自编码器的实用算法，并在逼真的合成环境中进行了实证研究，证明我们能够高准确性地恢复潜在状态动力学，相应地实现高未来预测准确性，并且能够快速适应新环境。

Jun, 2024

本研究使用深度状态空间分析框架，通过对电子健康记录进行时间序列无监督学习，实现了对疾病发展相关的患者潜在状态的学习、可视化和聚类。通过评估癌症患者的时间序列实验室数据，我们成功发现了与预后相关的潜在状态，并通过可视化和聚类分析确定了与每种抗癌药物特征性状态转换期间患者状态和检测项目的时间转变。本框架在捕捉可解释潜在空间方面超越了现有方法，有望增加我们对电子健康记录中疾病进展的理解，有助于治疗调整和预后决策。

Jul, 2023

本文提出使用脑机接口的域泛化方法，以解决在更生态有效的情景下观察到的神经活动模式是否可以用于准确推断潜在状态、相关认知过程或个体近端行为等问题，并将其应用于驾驶相关任务中，从而表现出实验设计的生态效度，并为了解复杂任务期间观察到的神经活动和行为之间关系提供了一个方法。

Apr, 2023

从静态变量和不规则采样的时间序列中学习个体特定强度的计数过程的任务。我们引入一种新颖的建模方法，其中强度是受控微分方程的解。我们首先通过构建神经控制微分方程来设计一个神经估计器。然后，在足够的正则条件下，我们展示了我们的模型可以在特征空间中线性化，得到一种基于特征的估计器，称为 CoxSig。我们对这两个估计器提供了理论上的学习保证，然后展示了我们模型在金融、预测性维护和食品供应链管理等各种模拟和真实世界数据集上的性能。

Jan, 2024

研究多维时间序列的状态空间重建，提出一种使用信息度量准则逐步构建嵌入向量的方法，并以头皮癫痫 EEG 记录为例，探究了耦合系统中的信息流。

Jul, 2010

介绍了一种名为分离状态空间模型（DSSM）的方法，并通过无监督的 VAE 训练过程将其应用于系统识别和回归以及跨领域序列表示学习中。通过该模型，可以显式分离领域不变状态动态和控制该动态的领域特定信息，以实现知识转移和鲁棒性预测、序列操作和领域表征。实验证明该模型在在线 ODE 系统识别和回归以及对不同重力影响下的弹球视频序列的生成和预测中具有竞争力的性能。

Jun, 2019

提出了一种基于深度生成模型的注意力神经网络架构，对高维、纵向数据中的患者生物标志物进行建模，达到了可扩展和准确预测疾病进展的效果，同时在实际临床数据上提供了癌症进展动态的解释性见解。

Feb, 2021

本研究提出了一种基于状态空间模型的计算动力学分析方法，结合 PLRNN 和 fMRI 等神经成像数据，可以深入分析神经系统的非线性动力学特征，并为神经系统的临床评估和神经科学研究提供新的方法。

Feb, 2019

本研究通过将结构信息整合到在线逼近目标中，采用拉普拉斯正则化项，将状态空间模型理论扩展到时间图，提出了 GraphSSM 框架，用于建模时间图的动态性，实验证明 GraphSSM 在各种时间图基准测试中的有效性。

Jun, 2024