针对现有的帕金森病（PD）的诊断方法，对基于步态分析的PD的辅助诊断方法进行了综述。在临床上，常见的步态评估PD的诊断方法是基于量表的，该方法虽然简单方便，但主观性强，且对医生的临床经验要求较高。而计算机技术的发展为步态分析提供了更多的方法。首先，总结了PD以及它在步态上的异常表现。然后，回顾了基于步态分析的PD辅助诊断的常用方法，这些方法大致可分为基于可穿戴设备的和基于非可穿戴设备的：可穿戴设备体积小、辅助诊断准确率高，可长时间监测患者的步态状况；非可穿戴设备则是通过微软Kinect等视频传感器捕捉人体步态数据，避免了穿戴相关设备以及对患者行动的限制。最后，指出了现有的步态分析方法中存在的不足并探讨了未来可能的发展趋势。

针对网络入侵检测模型自适应能力不足的问题，将麻雀搜索算法（SSA）中的大范围快速搜索能力引入到粒子群优化（PSO）算法，提出基于麻雀搜索算法的改进粒子群优化（SSAPSO）算法。该算法通过对轻量级梯度提升机（LightGBM）算法中难以整定的参数进行寻优，使PSO算法在保证寻优精度的同时快速收敛，并得到最优的网络入侵检测模型。仿真实验结果表明，在4种基准函数上，SSAPSO比基本PSO算法收敛速度更快；在KDDCUP99数据集上，SSAPSO优化LightGBM后得到的SSAPSO-LightGBM算法比分类特征和梯度提升（CatBoost）算法的准确率、召回率、精确率和F1指数分别提升了15.12%、3.25%、21.26%和12.25%；SSAPSO-LightGBM算法在上述数据集中正常流量（Normal）、未授权远程访问（R2L）攻击、未授权本地访问（U2R）攻击、监听（PROBE）攻击的检测准确率比LightGBM算法分别提升了0.61%、3.14%、4.24%、1.04%和5.03%。

卷积神经网络（CNN）是目前基于深度学习的计算机视觉领域中重要的研究方向之一。它在图像分类和分割、目标检测等的应用中表现出色，其强大的特征学习与特征表达能力越来越受到研究者的推崇。然而，CNN仍存在特征提取不完整、样本训练过拟合等问题。针对这些问题，介绍了CNN的发展、CNN经典的网络模型及其组件，并提供了解决上述问题的方法。通过对CNN模型在图像分类中研究现状的综述，为CNN的进一步发展及研究方向提供了建议。

针对传统机械故障诊断方法难以解决人工提取不确定性的问题，提出了大量深度学习的特征提取方法，极大地推动了机械故障诊断的发展。作为深度学习的典型代表，卷积神经网络（CNN）在图像分类、目标检测、图像语义分割等领域都取得了重大的发展，在机械故障诊断领域也有大量文献发表。为了进一步了解利用CNN的方法进行机械故障诊断的问题，首先简单介绍了CNN的相关理论，然后从数据输入类型、迁移学习、预测等方面对CNN在机械故障诊断中的应用进行了归纳总结，最后展望了CNN及其在机械故障诊断应用中的发展方向。

可穿戴脑电图（EEG）设备是一种用于日常实时监测的无线EGG系统，因其便携性、实时性、无创性及低成本等优势迅速发展并得到广泛应用。该系统主要由信号采集模块、信号处理模块、微控制模块、通信模块及电源模块等硬件部分以及移动终端模块和云存储模块等软件部分组成。就可穿戴EEG设备关键技术进行论述。首先，阐述了对EGG信号采集模块的改进，另外对可穿戴EEG设备信号预处理模块、信号的降噪、伪影处理及特征提取技术进行比较；然后，对机器学习、深度学习分类算法的优缺点进行分析，并对穿戴式EEG设备的应用领域进行总结；最后，提出可穿戴EEG设备的关键技术未来的发展趋势。