基于生理信号的情感识别受噪声等因素影响，存在准确率低和跨个体泛化能力弱的问题。对此，提出一种基于脑电（EEG）、心电（ECG）和眼动信号的多模态情感识别方法。首先，对生理信号进行多尺度卷积，获取更高维度的信号特征并减少参数量；其次，在多模态信号特征的融合中使用自注意力机制，以提升关键特征的权重并减少模态之间的特征干扰；最后，使用双向长短期记忆（Bi-LSTM）网络提取融合特征的时序信息并进行分类。实验结果表明，所提方法在效价、唤醒度和效价/唤醒度四分类任务上分别取得90.29%、91.38%和83.53%的识别准确率，相较于脑电单模态和脑电/心电双模态方法，准确率上提升了3.46~7.11和0.92~3.15个百分点。所提方法能够准确识别情感，在个体间的识别稳定性更好。

三维堆叠集成电路（3D SIC）结构复杂，相较于二维集成电路（2D IC），设计有效的测试结构以降低测试成本更加困难。为降低3D SIC的测试成本，提出一种基于线性反馈移位寄存器（LFSR）的能够有效适应3D SIC不同测试阶段的三维LFSR（3D-LFSR）测试结构。3D-LFSR结构能够在堆叠前独立进行测试；在堆叠后，复用堆叠前的测试结构，并重构为一个适合当前待测电路的测试结构，且重构后的测试结构能进一步降低测试成本。基于3D-LFSR结构，设计了测试数据处理方法和测试流程，并采用混合测试模式以降低测试时间。实验结果表明，相较于双LFSR结构，3D-LFSR结构的平均功耗降低了40.19%，平均面积开销降低了21.31%，测试数据压缩率提升了5.22个百分点；相较于串行测试模式，采用混合测试模式的平均测试时间减少了20.49%。

针对生理信号情感识别问题，提出一种基于图神经网络（GNN）和注意力的双模态情感识别方法。首先，使用GNN对脑电（EEG）信号进行分类；然后，使用基于注意力的双向长短期记忆（Bi-LSTM）网络对心电（ECG）信号进行分类；最后，通过Dempster-Shafer证据理论融合EGG和ECG分类结果，从而提高情感识别任务的综合性能。为验证所提方法的有效性，邀请20名受试者参与情感激发实验，并收集了受试者的EGG、ECG信号。实验结果表明，所提方法的二分类准确率在valence维度和arousal维度分别为91.82%和88.24%，相较于单模态EEG方法分别提高2.65%和0.40%，相较于单模态ECG方法分别提高19.79%和24.90%。可见，所提方法能够有效地提高情感识别的准确率，为医疗诊断等领域提供决策支持。