科研辅导 | 专业学术指导

机械工程 · 轴承寿命预测

基于信号特征的轴承剩余寿命预测

利用振动信号数据进行特征提取与分析，构建轴承剩余使用寿命（RUL）预测模型。通过3D特征可视化和多轴承对比，验证模型的预测效果与泛化能力。

方法：振动信号特征提取 + 预测建模

数据集：PHM2012 与 XJTU-SY 轴承退化数据

成果：多轴承 RUL 预测误差小，泛化性好

模型对比总结：下图展示了不同模型在各轴承上的预测表现对比。可以看到模型在多个轴承上的误差分布和整体表现，便于选择最优方案。

训练集 3D 特征可视化：通过对训练集的振动信号进行时域和频域特征提取，将高维特征映射到三维空间进行可视化。可以观察到轴承在退化过程中特征分布的变化趋势。

测试集 3D 特征可视化：测试集的特征分布与训练集呈现类似的退化趋势，说明特征提取方法具有良好的一致性和可迁移性，支持模型在新数据上的泛化预测。

各轴承剩余寿命预测曲线：以下展示了 5 个测试轴承的 RUL 预测结果。蓝色曲线为实际剩余寿命，红色曲线为模型预测值。预测曲线与实际值的吻合度较高，验证了模型的有效性。

Bearing 1_3 RUL 预测

Bearing 1_4 RUL 预测

Bearing 1_5 RUL 预测

Bearing 1_6 RUL 预测

Bearing 1_7 RUL 预测

计算机科学 · 推荐系统

基于 LLM 与 Transformer 的推荐系统

采用 DeepCoNN、D_Attn、NARRE 等基于 Transformer 注意力机制的初排模型，结合 QWEN-max、GLM-4、DeepSeek-V2 等大语言模型进行重排，构建两阶段推荐系统。通过用户评论与物品评论的深度语义理解，显著提升推荐列表质量。

方法：Transformer 初排 + LLM 重排两阶段推荐

模型：DeepCoNN / D_Attn / NARRE × QWEN-max / GLM-4 / DeepSeek-V2

成果：DeepSeek-V2 重排后 NDCG 达 0.881，MRR 达 0.915

NARRE 模型架构与训练曲线：系统采用 NARRE（Neural Attentional Rating Regression with Review-level Explanations）作为核心初排模型。用户评论和物品评论分别经过卷积神经网络提取特征，再通过注意力机制加权融合，最终通过点积计算评分预测。下图展示了 DeepCoNN、D_Attn、NARRE 三个模型在 100 个 epoch 训练后的损失收敛曲线，训练集与验证集均已收敛。

九种组合重排推荐列表质量（表 3.2）：将三种初排模型（DeepCoNN、D_ATTN、NARRE）与三种大语言模型（QWEN-max、GLM-4、DeepSeek-V2）进行组合，评估重排后的推荐列表质量。指标包括覆盖率、召回率、NDCG 和 MRR。其中 D_ATTN+DeepSeek-V2 组合取得了最高的 NDCG（0.881）和 MRR（0.915）。

组合方式	覆盖率	召回率	NDCG	MRR
DeepCoNN + QWEN-max	503	0.739	0.855	0.877
DeepCoNN + GLM-4	502	0.732	0.870	0.892
DeepCoNN + DeepSeek-V2	503	0.745	0.879	0.933
D_ATTN + QWEN-max	499	0.743	0.858	0.857
D_ATTN + GLM-4	501	0.727	0.872	0.896
D_ATTN + DeepSeek-V2	506	0.752	0.881	0.915
NARRE + QWEN-max	505	0.735	0.859	0.865
NARRE + GLM-4	500	0.737	0.877	0.907
NARRE + DeepSeek-V2	502	0.737	0.873	0.907

DeepSeek-V2 重排效果与初排效果对比（表 3.4）：对比三种初排模型单独使用与结合 DeepSeek-V2 重排后的效果差异。结果表明，虽然 LLM 重排在覆盖率上有所提升，但在召回率和 NDCG 方面表现略有不同，说明 LLM 重排更擅长提升排序质量（MRR），而初排模型在召回方面保持优势。

初排模型或重排组合方式	覆盖率	召回率	NDCG	MRR
DeepCoNN	495	0.770	0.889	0.918
DeepCoNN + DeepSeek-V2	503	0.745	0.879	0.933
D_ATTN	493	0.775	0.889	0.925
D_ATTN + DeepSeek-V2	506	0.752	0.881	0.915
NARRE	494	0.771	0.887	0.904
NARRE + DeepSeek-V2	502	0.737	0.873	0.907

不同评论长度下 DeepSeek-V2 重排效果（表 3.6）：分析用户评论和音乐评论在不同截断长度下对 DeepSeek-V2 重排效果的影响。当用户评论限制为 400、音乐评论限制为 200 时，覆盖率和 NDCG 达到最优平衡（覆盖率 506，NDCG 0.881，MRR 0.915）。过长的评论（1600/800）反而导致性能下降。

用户评论限制长度	音乐评论限制长度	覆盖率	召回率	NDCG	MRR
100	50	499	0.750	0.870	0.917
400	200	506	0.752	0.881	0.915
1600	800	507	0.741	0.865	0.904

计算机视觉 · 手写签字识别

基于深度学习的手写签字真伪识别

针对 AI 伪造签名的检测问题，采用 DeiT、ViT、VGG16、ResNet、CNN 及 XGBoost 六种模型，在华为 AI、百度 AI、手机 AI 三种伪造签名与真实手写签名之间进行多组二分类实验。DeiT（Data-efficient Image Transformer）在全部六项任务中均达到 AUC = 1.0，展现出卓越的签名真伪判别能力。

方向：计算机视觉（CV） · 图像二分类

数据集：华为 AI / 百度 AI / 手机 AI 伪造签名 + 真实签名，共 960 训练 / 120 验证 / 120 测试

成果：DeiT 在 6 项分类任务中 AUC 均达 1.0，显著优于传统 CNN 和 XGBoost

数据集构成：实验使用四类签名样本——华为 AI 伪造签名、百度 AI 伪造签名、手机 AI 伪造签名和真实手写签名。每类各 300 张图片，按 240/30/30 划分为训练集/验证集/测试集。下图展示了数据集划分详情及签名样本示例（"花木兰"）。

类别 (Class)	训练集 (Train)	验证集 (Validation)	测试集 (Test)
Huawei AI-forged signatures	240	30	30
Baidu AI-forged signatures	240	30	30
Shouji AI-forged signatures	240	30	30
Genuine signatures	240	30	30

六项二分类任务：为了全面评估模型的鉴别能力，设计了六项二分类任务，分别对比不同来源的伪造签名与真实签名、以及不同 AI 平台伪造签名之间的差异。每项任务使用相同的六种模型进行对比实验。

任务编号	分类任务	正类	负类
Task 1	Huawei AI & Handwriting	华为 AI 伪造签名	真实手写签名
Task 2	Baidu AI & Shouji	百度 AI 伪造签名	手机 AI 伪造签名
Task 3	AI & Handwriting	AI 伪造签名（混合）	真实手写签名
Task 4	Baidu AI & Huawei AI	百度 AI 伪造签名	华为 AI 伪造签名
Task 5	Baidu AI & Handwriting	百度 AI 伪造签名	真实手写签名
Task 6	Huawei AI & Handwriting	华为 AI 伪造签名	真实手写签名

六项任务 ROC 曲线：下图展示了六种模型在六项二分类任务上的 ROC 曲线。DeiT（Data-efficient Image Transformer）在所有任务中均取得了 AUC = 1.0 的完美表现，ViT 和 VGG16 紧随其后，而传统 CNN 和 XGBoost 在复杂任务（如 Task 2）上表现相对较弱。

各模型 AUC 汇总：下表汇总了六种模型在六项分类任务中的 AUC 值。DeiT 在全部任务中达到 1.0000，表现最为稳定；ViT 和 VGG16 在大多数任务中 AUC 超过 0.98；ResNet 表现稳定但略逊于 Transformer 系列；传统 CNN 和 XGBoost 在区分不同 AI 伪造来源（Task 2）时面临较大挑战。

模型	Task 1	Task 2	Task 3	Task 4	Task 5	Task 6
DeiT	1.0000	1.0000	1.0000	1.0000	1.0000	1.0000
ViT	0.9870	0.9321	0.9888	0.9882	0.9900	0.9868
VGG16	0.9886	0.9430	0.9931	0.9917	0.9933	0.9897
ResNet	0.9587	0.8640	0.9677	0.9620	0.9606	0.9646
CNN	0.8942	0.8075	0.8870	0.9043	0.8965	0.9109
XGBoost	0.8935	0.7840	0.9065	0.8908	0.9110	0.8877

空间物理 · 太阳活动预测

基于物理驱动 AI 的太阳黑子运动预测

结合物理方程约束（MHD 方程组）与深度学习模型，对太阳表面磁通量分布进行时序预测，实现对太阳黑子运动轨迹与演化过程的高精度建模。

采用 Physics-Informed Neural Network (PINN) 框架，将磁流体动力学方程嵌入损失函数

基于 SOHO/MDI 卫星观测数据，预测未来 24 小时太阳表面磁通量演化

模型成功捕捉太阳耀斑前后磁场结构的快速变化，为空间天气预报提供支持

2001 年 5 月太阳耀斑事件观测：下方展示了 2001 年 5 月 4 日至 5 日期间，太阳表面磁通量密度（单位：×10⁻¹² T）在经纬度坐标系下的时间演化。红色高亮区域代表太阳黑子活动区，可以清晰观察到黑子从西侧向东侧迁移的过程，该事件伴随 M-class 太阳耀斑爆发。

2001-05-04 21:11 UTC

2001-05-05 01:21 UTC

2001-05-05 04:41 UTC

2001-05-05 07:11 UTC

2001-05-05 11:21 UTC

2001 年 8 月太阳耀斑事件 AI 预测：下方展示了物理驱动深度学习模型对 2001 年 8 月 17–18 日太阳耀斑事件的预测结果。模型成功预测了磁通量高值区（太阳黑子）在太阳表面的移动与强度演化过程。对比可见，预测的黑子位置、形态与强度变化趋势与实际观测高度一致，验证了模型的时空预测能力。

预测：2001-08-17 23:17 UTC

预测：2001-08-18 03:27 UTC

预测：2001-08-18 09:17 UTC

预测：2001-08-18 12:37 UTC

预测：2001-08-18 16:47 UTC

预测：2001-08-18 22:37 UTC

物理驱动 AI 方法：本研究采用 Physics-Informed Neural Network (PINN) 框架，将太阳磁流体动力学（MHD）方程组作为物理约束嵌入神经网络的损失函数中。模型在学习观测数据拟合的同时，确保预测结果满足物理守恒律，从而实现数据驱动与物理驱动的有机结合。

模块	说明
输入数据	SOHO/MDI 卫星全日面磁图（Magnetogram），空间分辨率 2″/pixel，时间分辨率 96 min
物理约束	磁流体动力学（MHD）方程组：感应方程、连续性方程、动量方程；确保磁通量守恒（∇·B=0）
网络架构	编码器-解码器结构 + 物理残差层，输入历史 T 帧磁图，输出未来 N 帧预测
损失函数	L = L_data（MSE 数据拟合）+ λ · L_physics（PDE 残差约束）+ L_boundary（边界条件）
训练数据	Solar Cycle 23（1996–2008）期间的 SOHO/MDI 观测数据，覆盖多次 M/X 级耀斑事件
预测目标	基于当前时刻及历史 6 帧磁图（约 10 小时），预测未来 24 小时磁通量分布演化

核心优势：与纯数据驱动方法相比，物理驱动 AI 在训练数据有限的情况下仍能保持良好的泛化能力。物理约束避免了模型产生违反基本物理规律的"幻觉"预测，尤其在极端太阳活动事件（如 X-class 耀斑）的预测中表现出更高的稳定性和可靠性。该方法为空间天气预报和卫星安全预警提供了重要的技术支撑。

计算机视觉 · 人脸安全

基于多模态融合的人脸活体检测

利用 RGB、红外（IR）和深度（Depth）三种模态数据进行人脸反欺骗识别，在 CASIA-SURF CeFA 数据集上实现跨协议泛化，提出的多模态融合方法在所有评估指标上均优于主流基线模型。

融合 RGB + IR + Depth 三模态特征，有效区分真实人脸与欺骗攻击（打印照片、视频回放等）

在 CASIA-SURF 数据集上达到 ACER = 0.65%、ACC = 99.31%，显著优于 ViT、ResNet18 等基线

跨协议测试（CeFA 协议 4_1/4_2/4_3）验证了模型在不同攻击类型与采集条件下的泛化能力

CASIA-SURF CeFA 数据集：该数据集包含 RGB、红外（IR）和深度（Depth）三种模态的人脸图像，涵盖真实人脸（FN）和欺骗攻击（FP，如打印照片、视频回放等）样本。下图展示了三种测试协议（协议 4_1、4_2、4_3）下的 FN 和 FP 样本示例，不同协议模拟了不同的采集条件和攻击方式，用于全面评估模型的跨场景泛化能力。

CASIA-SURF 数据集模型对比：下图对比了六种模型在 CASIA-SURF 数据集上的四项关键指标。本文提出的多模态融合方法（标记为"本文"）在 APCER（攻击呈现分类错误率）、ACER（平均分类错误率）和 ACC（准确率）上均达到最优表现，ACER 低至 0.65%，ACC 高达 99.31%。

各模型性能汇总：下表汇总了六种模型在 CASIA-SURF 数据集上的 APCER、NPCER、ACER 和 ACC 四项指标。APCER 衡量将攻击样本错误判为真实的比率，NPCER 衡量将真实样本错误判为攻击的比率，ACER 为两者的平均值（越低越好），ACC 为整体准确率（越高越好）。本文方法在 ACER 和 ACC 上均取得最佳成绩。

模型	APCER (%)	NPCER (%)	ACER (%)	ACC (%)
ViT	4.02	2.08	3.05	96.88
ResNet18	2.96	3.02	2.99	97.03
VGG16	2.02	1.45	1.74	98.19
ShuffleNet-V2	1.42	0.23	0.83	99.10
MobileNet-V2	1.96	0.85	1.41	98.51
本文方法	0.98	0.32	0.65	99.31

多模态融合方法：本研究提出了一种基于多模态特征融合的人脸活体检测方法，通过融合 RGB 可见光、近红外（IR）和深度（Depth）三种模态的互补信息，有效提升了人脸反欺骗检测的鲁棒性和准确性。

模块	说明
输入模态	RGB 可见光图像 + 近红外（IR）图像 + 深度（Depth）图像，三模态同步采集
数据集	CASIA-SURF / CASIA-SURF CeFA，包含多种欺骗攻击类型（打印、视频回放、3D 面具等）
测试协议	CeFA 协议 4_1 / 4_2 / 4_3，分别测试不同攻击类型与采集条件下的模型泛化能力
特征提取	各模态独立提取特征，利用轻量级骨干网络（如改进的 ShuffleNet/MobileNet）降低计算开销
融合策略	多模态特征融合模块，结合注意力机制动态加权不同模态的贡献，增强判别性特征表达
分类输出	二分类（真实 / 欺骗），采用二元交叉熵损失 + 中心损失联合优化
评估指标	APCER（攻击呈现分类错误率）、NPCER（正常呈现分类错误率）、ACER（平均分类错误率）、ACC（准确率）

核心优势：相比单模态方法（仅使用 RGB），多模态融合能够有效应对高质量打印照片和视频回放等难以仅凭可见光区分的欺骗攻击。红外模态可捕捉材质温度差异，深度模态可识别平面与立体结构差异，三者互补使模型在复杂场景下保持低错误率（ACER = 0.65%）和高准确率（ACC = 99.31%），为安防、金融、移动支付等人脸验证场景提供可靠的活体检测保障。

自然语言处理 · 网络安全

基于 Transformer 的漏洞标题自动生成

利用预训练 Transformer 模型（RoBERTa、CodeBERT、UniXCoder）对漏洞报告正文进行摘要式标题生成，在包含 25,430 条漏洞报告的数据集上，CodeBERT 在 ROUGE-1/2/L 三项指标上均取得最优表现。

基于 Encoder-Decoder Transformer 架构，将漏洞报告正文自动压缩为简洁、准确的标题

CodeBERT 表现最佳：ROUGE-1 = 36.64、ROUGE-2 = 26.17、ROUGE-L = 33.41

生成标题能准确提取漏洞类型、受影响组件和修复方式等关键信息，可辅助安全分析师快速定位问题

数据集统计：研究使用的漏洞报告数据集包含训练集 23,300 条和验证集 2,130 条样本。正文（漏洞描述）平均长度约 1,300 字，摘要（标题）平均长度约 74 字，体现了从长文本到短标题的高压缩比特征。

数据/长度	训练集		验证集
	正文	摘要	正文	摘要
数据集个数	23300		2130
平均字数	1314.91	74.85	1159.48	73.78
最大字数	3979	128	3965	109
最小字数	159	30	125	46

ROUGE 指标对比：下表对比了三种预训练 Transformer 模型在漏洞标题生成任务上的 ROUGE 得分。ROUGE-1 衡量单字（unigram）重叠度，ROUGE-2 衡量双字（bigram）重叠度，ROUGE-L 衡量最长公共子序列匹配度。CodeBERT 在三项指标上均取得最优表现，表明其在代码与自然语言混合语义理解上的优势。

MODEL	ROUGE-1	ROUGE-2	ROUGE-L
RoBERTa	33.31	24.12	33.33
CodeBERT	36.64	26.17	33.41
UniXCoder	28.57	19.09	26.36

标题生成样例对比：下表展示了两个真实漏洞报告的标题生成效果。每个样例包含原始漏洞描述片段、人工撰写的原标题，以及三种模型自动生成的标题。可以看到各模型均能准确提取漏洞类型和受影响组件，但在表达精炼度和关键信息覆盖度上存在差异。

项目	内容
样例 1：AMD 显示驱动 DMCUB 唤醒漏洞
漏洞原报告	In the Linux kernel, the following vulnerability has been resolved: drm/amd/display: Wake DMCUB before executing GPINT commands [Why] DMCUB can be in idle when we attempt to interface with the HW through the GPINT mailbox resulting in a system hang. [How] Add dc_wake_and_execute_gpint() to wrap the wake, execute, sleep sequence.
原标题	Linux Kernel Update: Fix for Potential System Hang in AMD Display Driver
RoBERTa	Linux Kernel Fixes drm/amd/display Vulnerability by Waking DMCUB Before GPINT Commands
CodeBERT	Linux Kernel Patches drm/amd/display Vulnerability with Preemptive DMCUB Wake for GPINT Commands
UniXCoder	Cross-Platform Linux Kernel Patch Fixes drm/amd/display Vulnerability via Preemptive DMCUB Wake for GPINT Commands
样例 2：F2FS 空指针解引用漏洞
原标题	F2FS NULL Pointer Dereference Vulnerability Fixed in Linux Kernel
RoBERTa	Linux Kernel F2FS Vulnerability Patch: Prevent NULL Pointer Dereference in f2fs_submit_page_write() by Ensuring BIO Validation
CodeBERT	Linux Kernel F2FS: Patch for NULL Pointer Dereference in f2fs_submit_page_write() via BIO Validation Fix
UniXCoder	Linux Kernel F2FS Vulnerability Patch: Preventing NULL Pointer Dereference in f2fs_submit_page_write() via BIO Initialization Check

Transformer 摘要生成方法：本研究采用 Encoder-Decoder 架构的 Transformer 模型，将漏洞报告正文作为输入，自动生成简洁准确的漏洞标题。通过对比三种预训练模型（RoBERTa、CodeBERT、UniXCoder），验证了代码语义预训练对漏洞文本理解的增益效果。

模块	说明
任务类型	文本摘要 / 标题生成（Abstractive Summarization），从漏洞报告正文生成简洁标题
数据集	25,430 条漏洞报告（训练集 23,300 + 验证集 2,130），正文平均约 1,300 字，标题平均约 74 字
模型架构	Encoder-Decoder Transformer，编码器 8 层 + 解码器 8 层，预训练模型 12 层
输入维度	固定输入维度 1024，输出维度 256，词向量维度 512
预训练模型	RoBERTa（通用文本）、CodeBERT（代码+自然语言）、UniXCoder（统一跨模态代码表示）
训练参数	初始学习率 0.005，Dropout = 0.1，Batch Size = 16
评估指标	ROUGE-1（单字重叠度）、ROUGE-2（双字重叠度）、ROUGE-L（最长公共子序列）

核心优势：CodeBERT 由于在预训练阶段同时学习了代码片段和自然语言描述之间的对齐关系，在漏洞标题生成任务中表现出最强的语义理解能力（ROUGE-1 = 36.64）。生成的标题能够准确包含漏洞类型（如 NULL Pointer Dereference）、受影响组件（如 drm/amd/display、f2fs）和修复策略等核心信息，有效辅助安全分析师快速理解和分类漏洞，提升安全响应效率。

医疗AI · 疾病预测

基于 Mamba 的疾病预测模型

利用 Mamba 状态空间模型对 ICU 患者临床时序数据进行建模，在自贡市第四人民医院（Zigong）和 eICU 两个数据集上实现高精度疾病预测。模型在 AUC、Accuracy、Precision、Recall、F1-score 五项指标上全面超越 CNN、DNN、LSTM 及多种机器学习基线。

基于 Mamba 架构（State Space Model），高效建模 ICU 患者的长时序临床特征

在 Zigong 数据集上 AUC = 0.978，eICU 数据集上 AUC = 0.982，显著优于所有对比模型

通过 SHAP 可解释性分析揭示关键预测特征（肌酐、血小板、血压等），增强模型的临床可信度

Zigong 与 eICU 数据集模型对比：下表展示了 Mamba 模型与 8 种对比模型在两个独立数据集上的五项关键指标。Our model（基于 Mamba）在两个数据集上均取得了最优表现，Zigong 数据集 AUC 达 0.978、Accuracy 达 0.945，eICU 数据集 AUC 达 0.982、Accuracy 达 0.951。

Dataset	Models	AUC	Accuracy	Precision	Recall	F1-score
Zigong	Our model	0.978±0.074	0.945±0.047	0.952±0.023	0.940±0.042	0.946±0.078
	CNN	0.923±0.016	0.892±0.041	0.885±0.048	0.898±0.060	0.891±0.085
	DNN	0.915±0.003	0.887±0.031	0.879±0.076	0.895±0.017	0.887±0.053
	LSTM	0.908±0.070	0.875±0.060	0.868±0.028	0.882±0.026	0.875±0.052
	XGBClassifier	0.941±0.028	0.912±0.049	0.920±0.052	0.905±0.021	0.912±0.088
	RandomForest	0.934±0.022	0.907±0.063	0.915±0.059	0.900±0.016	0.907±0.027
	MLPClassifier	0.918±0.100	0.890±0.094	0.883±0.006	0.897±0.054	0.890±0.084
	LogisticRegression	0.892±0.050	0.853±0.085	0.847±0.033	0.859±0.052	0.853±0.005
	SVC	0.901±0.089	0.868±0.002	0.861±0.026	0.875±0.038	0.868±0.042
eICU	Our model	0.982±0.090	0.951±0.037	0.958±0.063	0.944±0.001	0.951±0.066
	CNN	0.915±0.067	0.901±0.045	0.910±0.079	0.892±0.010	0.901±0.030
	DNN	0.927±0.027	0.894±0.077	0.903±0.059	0.885±0.077	0.894±0.030
	LSTM	0.920±0.020	0.887±0.081	0.896±0.085	0.878±0.010	0.887±0.052
	XGBClassifier	0.903±0.042	0.894±0.062	0.900±0.014	0.889±0.070	0.924±0.012
	RandomForest	0.946±0.050	0.917±0.032	0.925±0.060	0.909±0.004	0.917±0.000
	MLPClassifier	0.930±0.044	0.897±0.073	0.906±0.059	0.888±0.084	0.897±0.028
	LogisticRegression	0.898±0.021	0.857±0.090	0.851±0.093	0.863±0.001	0.857±0.073
	SVC	0.913±0.076	0.879±0.010	0.872±0.045	0.886±0.053	0.879±0.058

不同时间窗口分组预测对比：将患者按 ICU 住院时长分为 7 天、14 天和 28 天三个队列，分别评估 Mamba 和 Mamba2 两种基础模型与各对比模型的预测性能。Mamba 在所有队列和指标上均取得最优结果，7 天队列 AUC 达 0.950，28 天队列 AUC 达 0.910。

Cohort	Models	AUC	Accuracy	Precision	Recall	F1-score
7-day	Our model (Mamba)	0.950±0.039	0.945±0.041	0.942±0.033	0.940±0.031	0.938±0.007
	Our model (Mamba2)	0.940±0.037	0.901±0.018	0.912±0.025	0.881±0.038	0.913±0.018
	CNN	0.880±0.007	0.875±0.028	0.858±0.021	0.862±0.041	0.860±0.049
	DNN	0.860±0.014	0.870±0.010	0.865±0.001	0.878±0.050	0.869±0.011
	LSTM	0.850±0.016	0.863±0.002	0.861±0.045	0.868±0.037	0.859±0.012
	XGBClassifier	0.900±0.032	0.835±0.006	0.832±0.027	0.830±0.035	0.831±0.006
	RandomForest	0.820±0.038	0.750±0.019	0.752±0.038	0.750±0.020	0.749±0.021
	MLPClassifier	0.730±0.027	0.670±0.006	0.671±0.007	0.670±0.043	0.669±0.044
	LogisticRegression	0.720±0.027	0.685±0.017	0.684±0.011	0.684±0.038	0.685±0.040
	SVC	0.780±0.010	0.700±0.020	0.701±0.039	0.700±0.028	0.699±0.015
14-day	Our model (Mamba)	0.860±0.032	0.850±0.014	0.855±0.022	0.838±0.019	0.825±0.007
	Our model (Mamba2)	0.845±0.039	0.830±0.042	0.843±0.010	0.827±0.039	0.799±0.026
	CNN	0.820±0.018	0.830±0.040	0.825±0.044	0.812±0.045	0.815±0.016
	DNN	0.830±0.009	0.840±0.008	0.845±0.012	0.832±0.006	0.825±0.035
	LSTM	0.790±0.040	0.810±0.001	0.808±0.016	0.795±0.010	0.780±0.032
	XGBClassifier	0.800±0.044	0.730±0.009	0.730±0.028	0.730±0.025	0.730±0.012
	RandomForest	0.760±0.040	0.690±0.024	0.690±0.020	0.690±0.007	0.690±0.009
	MLPClassifier	0.730±0.031	0.670±0.005	0.672±0.039	0.670±0.034	0.669±0.015
	LogisticRegression	0.720±0.010	0.685±0.006	0.685±0.042	0.685±0.018	0.685±0.020
	SVC	0.740±0.042	0.680±0.014	0.680±0.040	0.680±0.039	0.680±0.038
28-day	Our model (Mamba)	0.910±0.008	0.920±0.009	0.915±0.018	0.908±0.004	0.905±0.045
	Our model (Mamba2)	0.900±0.030	0.892±0.036	0.930±0.026	0.910±0.009	0.863±0.020
	CNN	0.860±0.044	0.880±0.032	0.875±0.030	0.845±0.039	0.846±0.046
	DNN	0.850±0.020	0.870±0.011	0.865±0.014	0.850±0.031	0.848±0.047
	LSTM	0.870±0.029	0.875±0.017	0.880±0.049	0.878±0.048	0.870±0.019
	XGBClassifier	0.850±0.002	0.780±0.037	0.778±0.009	0.778±0.037	0.778±0.042
	RandomForest	0.810±0.002	0.740±0.045	0.738±0.044	0.738±0.014	0.740±0.034
	MLPClassifier	0.770±0.021	0.720±0.014	0.718±0.025	0.718±0.031	0.718±0.018
	LogisticRegression	0.760±0.005	0.710±0.039	0.708±0.025	0.710±0.016	0.708±0.002
	SVC	0.780±0.048	0.705±0.044	0.705±0.043	0.705±0.034	0.704±0.018

SHAP 可解释性分析：下图展示了 Mamba 模型在三个不同队列（A: 7-day, B: 14-day, C: 28-day）中各临床特征的 SHAP 值分布。红色代表特征值高，蓝色代表特征值低，横轴表示该特征对模型输出的影响程度。肌酐最大值（creatinine_max）、血小板最小值（platelet_min）、平均动脉压（mbp_mean）等是最重要的预测因子，为临床决策提供了可解释的依据。

基于 Mamba 的疾病预测方法：本研究采用 Mamba（Selective State Space Model）架构对 ICU 患者的临床时序数据进行建模。Mamba 通过选择性状态空间机制高效捕捉长时序依赖关系，相比传统 Transformer 具有线性计算复杂度的优势，特别适合处理 ICU 场景下的高维、长序列临床数据。

模块	说明
模型架构	Mamba（Selective State Space Model），基于 S4/S6 选择性状态空间机制，线性时间复杂度
输入数据	ICU 患者临床时序数据，包含生命体征（心率、血压、体温、血氧等）和实验室检查（肌酐、血小板、白细胞等）
数据集	Zigong（自贡市第四人民医院）+ eICU（多中心 ICU 数据库），覆盖多种重症患者群体
预测任务	ICU 患者疾病预后预测（二分类），分 7 天、14 天、28 天三个时间窗口评估
对比模型	CNN、DNN、LSTM、XGBClassifier、RandomForest、MLPClassifier、LogisticRegression、SVC
可解释性	SHAP（SHapley Additive exPlanations）特征重要性分析，揭示临床关键预测因子
评估指标	AUC、Accuracy、Precision、Recall、F1-score（均报告均值 ± 标准差）

核心优势：Mamba 模型通过选择性状态空间机制，能够根据输入数据动态调整信息传递路径，有效过滤冗余信息并聚焦关键临床特征。相比 LSTM 等循环神经网络，Mamba 在处理长序列时具有更低的计算复杂度（O(n) vs O(n²)）和更强的长程依赖捕捉能力。在 Zigong 和 eICU 两个独立数据集上的优异表现（AUC > 0.97），以及结合 SHAP 的可解释性分析，使该模型在临床疾病预测场景中具有高精度和高可信度的双重优势。

把研究
做对

覆盖 35+ 研究方向

辅导方向

AI交叉学科 SCI/SSCI 科研全流程辅导

CCF 会议论文科研辅导

AI 相关毕业设计科研辅导

工业界 AI 模型实现与高精度预测

科研小白的第一篇论文

PhD 留学申请辅导

整体案例

辅导案例

基于信号特征的轴承剩余寿命预测

基于 LLM 与 Transformer 的推荐系统

基于深度学习的手写签字真伪识别

基于物理驱动 AI 的太阳黑子运动预测

基于多模态融合的人脸活体检测

基于 Transformer 的漏洞标题自动生成

基于 Mamba 的疾病预测模型

开始你的
科研之旅

添加微信，简单说明情况

免费初诊 30 分钟

制定个性化辅导方案

持续跟进，直到达成目标

把研究做对

覆盖 35+ 研究方向

辅导方向

AI交叉学科 SCI/SSCI 科研全流程辅导

CCF 会议论文科研辅导

AI 相关毕业设计科研辅导

工业界 AI 模型实现与高精度预测

科研小白的第一篇论文

PhD 留学申请辅导

整体案例

辅导案例

基于信号特征的轴承剩余寿命预测

基于 LLM 与 Transformer 的推荐系统

基于深度学习的手写签字真伪识别

基于物理驱动 AI 的太阳黑子运动预测

基于多模态融合的人脸活体检测

基于 Transformer 的漏洞标题自动生成

基于 Mamba 的疾病预测模型

开始你的科研之旅

添加微信，简单说明情况

免费初诊 30 分钟

制定个性化辅导方案

持续跟进，直到达成目标

把研究
做对

开始你的
科研之旅