作者简介
范雪梅
华东光电集成器件研究所工程师，主要从事低功耗计算电路、脑机接口、神经网络加速器和医疗应用验证等工作。
满建志
华东光电集成器件研究所工程师，主要从事脑机接口、深度学习和软件系统等工作。
张慧
华东光电集成器件研究所工程师，主要从事脑机接口领域的工作。
龙善丽
华东光电集成器件研究所研究员，主要从事数模混合集成电路、脑机接口、信号处理系统及应用研发等工作。
孙光宇
华东光电集成器件研究所工程师，主要从事脑机接口软硬件系统研发工作。
论文引用格式：
范雪梅, 满建志, 张慧, 等. 融合专注度评估与反馈的运动想象脑机接口康复训练研究[J]. 信息通信技术与政策, 2025, 51(3): 25-35.
融合专注度评估与反馈的运动想象脑机接口康复训练研究
范雪梅 满建志 张慧 龙善丽 孙光宇
（华东光电集成器件研究所，苏州 215163）
摘要：针对目前基于运动想象（Motor Imagery，MI）脑机接口的康复训练方法试验方式单一、缺乏实时反馈以及脑电解码率较低的问题，创新性地提出一种融合MI专注度评估与反馈的康复训练方法。该方法引入MI专注度解析，采用MI引导的脑电采集范式和集成专注程度评估的任务设计，提高脑电数据有效性。同时，根据被试任务态专注度评估反馈参数，实现更高效解码。实验结果表明，该训练方法提高了被试的专注度，验证了被试不同专注程度下的脑电差异，MI脑电二分类平均准确率达到84.37%。
关键词：脑机接口；运动想象；专注度评估反馈优化；康复训练
0 引言
脑卒中是老年人群的高发疾病，致残率较高，其中约有55%~75%的病发幸存患者在脑卒中6个月后仍留有不同程度的上肢运动功能障碍[1]。我国脑卒中发病率长期处于全球较高水平，由此引发的大量运动康复训练需求，给我国医疗体系带来严峻挑战[2]。传统的物理康复训练治疗需患者和治疗师一对一进行，此类康复手段严重依赖人力护理，过程缓慢，个性化不足，难以满足大量高效恢复运动功能的需求。
近年来，随着人工智能、机器人技术的快速发展，以康复训练为导向的训练机器人为脑卒中患者提供了无需依赖人力的高重复运动功能康复训练方式。机器人系统通过任务引导患者进行持续性运动学习，可有效促进神经重塑和肢体运动康复[3]。采用基于康复机器人的康复训练方案能够解决我国专业医护人员缺口问题，为患者提供高效率、高精度的运动训练[4]。基于运动想象脑电信号和稳态视觉诱发电位两种神经信号解析方式的脑机接口（Brain-Computer Interface， BCI）康复训练机器人系统，被研究证明是可以激活患者大脑运动网络，提高脑神经重塑和运动康复训练效果的更高效手段[5-7]。基于运动想象（Motor Imagery， MI）脑电解析的脑机接口系统（Motor Imagery Brain-Computer Interface， MI-BCI）与被试主动意图的相关性较大，且与稳态视觉诱发电位方式相比规避了视觉疲劳弊端，可达到更理想的康复效果[8]。
MI-BCI康复训练系统中运动意图和患者感觉反馈之间的准确匹配是决定脑卒中患者康复效果的重要因素[9]。目前大部分研究者[10-12]仅使用通过箭头或文字提示的常规运动想象脑电信号采集方式，实验执行过程较为枯燥单一，通常存在注意力集中度不足的情况，缺乏反馈信息引导和反馈刺激匹配，严重影响脑电信号采集质量和运动意图解码准确度。因此，本文提出了一种融合专注度评估与反馈优化的运动想象康复训练方法，通过具体的评估结果反馈信息引导被试调整任务态执行状态，提高被试专注度和数据采集精度，并且搭建了一个可提取脑电时空综合特征的三分支并行的浅层卷积神经网络模型，并且根据专注度评估反馈标记信息筛选采集的脑电信号，提升运动意图脑电解码训练数据集质量和解码准确率。最后，通过9名实验室健康被试和3名脑卒中患者实验，验证了被试不同专注程度下脑电信号的差异，以及本文所提出的融合专注度评估与反馈优化的运动想象脑机康复训练的有效性。
1 相关研究工作
1.1 脑机接口机器人康复训练
脑机接口机器人通过传感电极获得患者的脑神经信号，通过对神经信号的解析和转义，产生对外设机器人的控制指令，从而实现患者脑意念控制机器人执行康复训练。脑机接口机器人康复训练系统主要包括信号采集、信号预处理和解析、信号转义控制以及外设反馈。
作为系统信号源前端的脑神经信号采集部分，信号源的采集精度和有效性对康复训练系统效率具有决定性影响。目前大多数研究人员根据是否需要进行手术，将脑机接口分为非侵入性和侵入性两种。也有学者提出考虑柔性电极进入被试头部的侵入程度和入侵深度的分类方法，将其分为非侵入式、侵入式和半侵入式三种类型[13]。也有根据信号采集传感器相对于大脑的位置及侵入程度，将BCI信号采集方式分为非侵入式、嵌入式和颅内式[13]。根据BCI信号采集技术的不同，非侵入式脑机接口系统又分为基于脑电图（Electroencephalogram，EEG）的脑机接口、基于脑磁图的脑机接口、基于功能磁共振成像的脑机接口以及基于近红外光谱的脑机接口等[14]。EEG具有无创、操作简单、时间分辨率高等优点，因此成为脑机接口机器人研究中使用较多的信号采集技术[15]。
目前，脑机接口机器人康复系统主要基于运动想象脑电信号和稳态视觉诱发电位两种神经信号解析进行康复机器人的控制[5]。基于运动想象范式脑机接口机器人通过检测被试在任务态想象肢体运动时，对应大脑皮质运动感觉区的μ节律和β节律信号幅度发生相应的特征变化，将运动意图脑电解析和转义为外设控制指令，实现对机器人的控制[16]。基于稳态视觉诱发电位范式的脑机接口机器人系统通过将被试人员接受高频（>6 Hz）周期性视觉刺激时，枕叶皮质大脑神经自发产生的电位变化与特定视野频率闪烁区域相关联进行匹配以确定被试意图，从而实现机器人控制[17]。与基于稳态视觉诱发电位范式的脑机接口相比，基于运动想象脑电信号解析方式的脑机接口系统避免了被试注视前方高频不断闪烁刺激造成的视觉疲劳，运动想象脑电与被试主动意图的相关性较大，可能更有效激活镜像神经元达到更理想的康复效果[9]。
1.2 运动想象脑机接口
脑损伤康复的本质来源于大脑的神经可塑性，神经可塑性和控制可塑性的机制是脑卒中运动功能恢复的理论关键[18]。卒中患者执行脑机接口辅助运动康复训练时，通过执行任务态加强患侧初级运动皮质与健侧辅助运动区、健侧初级运动皮质与健侧辅助运动区、大脑半球间功能的连接性，促进半球间功能再平衡和皮质脊髓束结构功能重组等机制改善卒中后运动功能[19]。基于脑机接口的康复训练机器人技术因无需实际肢体运动即可激活大脑运动网络，为运动障碍患者提供了高效、便捷的康复途径[5-7]。
目前，基于运动想象脑机接口的上肢运动康复机器人系统是主要研究热点，大量科研和临床研究表明了运动想象脑机接口对脑卒中患者康复的显著提升效果[10-12]。2013年，Ramos[10]等开展对重度脑卒中患者进行基于脑机接口的康复训练研究，研究结果表明脑机接口系统能够显著提升患者康复效果。随后，Li[11]等基于运动想象的脑机接口康复训练，同时激活了患者双侧大脑半球，通过诱导理想的大脑运动功能重组，增强了脑卒中患者上肢的运动功能。Biasiucci[12]等的研究显示，利用脑机接口康复训练，慢性卒中幸存者在临床相关表现上取得了显著改善，并实现了持久的运动功能恢复。Ma[20]等提出的基于运动想象的脑机接口康复方案，有效提升了脑卒中患者的上肢功能及大脑运动相关皮质的激活水平。Mattla[21]等在对48例亚急性脑卒中患者进行基于运动想象的脑机接口训练中，采用每周3次共6周的康复方案，发现实验组患者能够长期保持更好的训练效果，并且这种临床效果的改善反映了基于运动想象脑机接口康复方案的长期神经可塑性。
除了高质量的神经信号采集和解析，运动意图和患者感觉反馈之间的准确匹配是促进脑卒中患者康复的另一重要因素[9]。目前，大部分研究者[10-12]使用的运动想象脑电信号采集范式较为常规，通过箭头或文字提示方式，引导被试进行肢体运动想象。此类运动想象脑机接口研究实验过程较为枯燥单一，通常存在注意力集中度不足的情况，实验采集过程缺乏反馈信息引导和反馈刺激，导致无法与被试进行实时反馈交互匹配，被试无法实时判断当前进行的肢体运动想象是否准确或需要调整，严重影响最终实验结果精准度。因此，本文的研究在信号采集实验中引入专注度检测和评估方法，评估被试当前任务执行状况，并将专注度结果反馈给被试，引导其调整或保持当前状态。同时，通过搭建三分支并行的浅层卷积神经网络模型，根据被试任务态专注度评估反馈参数标记数据采集质量，提升脑电信号特征解码率。
2 研究内容与实验方法
2.1 脑电信号采集和预处理
本实验招募了9名健康受试者，年龄为26±1.5岁，全部为右利手；招募了3名2024年11月至2025年2月期间在苏州市立医院接受基于运动想象脑机接口的手部运动障碍康复训练患者，年龄为16~35岁，男女不限，徒手肌力测定评级在0~1级，并存在严重上肢运动功能障碍（FMA-UE<31分）[22]；受试者均未患影响上肢运动功能的肌肉、骨骼和其他神经系统疾病，无严重认知及言语障碍，可基本理解并执行主试者试验操作指令，简易智能精神状态检查量表（Mini-Mental State Examination，MMSE）评分≥24分[23]。所有参与者自愿参加实验并在书面上同意参与。
本研究使用NeuSen W364无线数字湿式电极脑电图采集设备，实验包括左手运动想象和静息态两种任务。每名被试的数据由6次实验运行组成，每次实验包括40次试验（每个任务各20次），因此每名被试总共有240条脑电数据。实验选取11个脑电通道：C5、C3、CZ、C4、C6、CP3、CP1、CP2、CP4、M1、M2（国际10-20系统标准）进行数据记录，设置CPZ采集通道作为参考电极，M1和M2作为重参考电极，CP1和CP2用于重采样CPZ位置信号，实际脑电信号输入通道数为8，采样率设置为250 Hz。
采集后对脑电信号进行滤波等预处理，包括0.5 Hz~100 Hz的带通滤波和50 Hz的陷波滤波。带通滤波采用巴特沃斯滤波器，通过将频率响应函数映射到极点和零点的平面来实现，如公式（1）所示。
其中，n为滤波器的阶数，设置n=4，即四阶巴特沃斯滤波器，ωe为截止频率，ωp为通频带边缘频率，ε2为控制滤波器通带波动程度的参数。
陷波滤波采用二阶无限脉冲响应滤波器，其幅度响应在某一频率上为零，用来消除某个频率分量，其系统函数如公式（2）所示。
其中，ω0=2πf0/fs为陷波数字频率，f0为陷波频率，fs为取样频率。
此外，在输入模型分类之前，对输入数据的每个通道进行标准化，保证每个通道的数据具有零均值和单位方差，提高模型训练稳定性和收敛速度。采集时间点T设置为750，所以最终经预处理后，系统得到2 160条8×750大小的脑电信号，即总样本数N为2 160。
2.2 专注度解析与评估
本文为解决被试在运动想象脑机接口任务态执行时注意力集中度不足，以及脑电信号采集过程缺乏反馈信息引导和反馈刺激，导致无法与被试进行实时反馈交互匹配的问题，设计了一种具有运动意图引导与专注度反馈的采集新方式。首先，在被试进行相应的自身肢体动作的想象前，通过动作画面提示被试将要进行的任务类型。然后，提取想象过程中被试脑电信号的各频段特征，并通过所引入的专注度评估方法，分析并反馈被试任务态执行实时专注度（表现优异、表现良好、表现较差），提示被试保持或调整当前的执行水平。同时在采集的脑电数据中进行反馈类型的标记，也为后续脑电信号解码以及算法模型优化等提供依据。
图1显示了运动想象脑电信号采集新范式的时间安排，单次任务时长为10 s，反馈刺激流程。首先，设计显示1 s的“运动想象即将开始”画面；接着，显示3 s的“动作引导”视频提示或“静息”画面提示；显示3 s的“黑色”画面，期间被试执行手部抓握运动想象任务；然后，根据专注度评估结果，显示1.5 s的反馈信息，引导被试根据专注度评估结果保持或调整状态；最后，完成单次任务，被试休息1.5 s后，再重复执行下一次任务实验。
图1 融合专注度评估的运动想象脑电信号采集流程
本文引入当前应用最广泛的专注度评估方法，采用Pope[24]等于1995年提出的α频段（8~13 Hz）、 β频段（13~30 Hz）、θ频段（4~8 Hz）能量计算方法，如公式（3）所示。
进行被试任务态的专注度评估。为增强专注度检测与运动想象任务的关联性，同时避免额外增加电极数，选择C3、CZ、C4三个通道作为专注度计算的信号依据。由于执行运动想象任务时，人脑主要激活8~12 Hz的μ节律（在感觉运动平层区域的α节律又称为μ节律）和13~30 Hz的β节律，因此，运动想象专注度（F）计算如公式（4）所示。
此外，脑电信号通过Welch方法计算各频段能量，如公式（5）所示。
其中，K是段的数量，U是窗函数的归一化因子。
2.3 脑电信号解码和反馈
由于相邻通道的脑电信号在时域上具有相似性，不同通道的脑电信号差异与空间分布相关，这些差异表现为脑电信号的空间特征，反映出时间特征是空间特征的局部特征[25]。若先执行空域卷积再时域卷积，则会破坏脑电信号的时域特征。因此，本文研究所搭建的浅层卷积神经网络模型3个分支严格遵循先时域卷积再空域卷积的方式。
本文所搭建的解析网络模型架构如图2所示，图中蓝色长方形为分支1提取的特征图，橙色长方形为分支2提取的特征图，绿色长方形为分支3提取的特征图。C为脑电信号通道数，T为脑电信号时间点。脑电信号并行经过3个时空特征提取分支，然后对拼接后的特征图进一步整合后，得到最终的输出类别。详细的网络层、卷积核尺寸以及模型输出等参数设置如表1所示。
图2 解析网络模型架构示意图
表1 网络模型参数表
分支1的时域卷积核大小为（1，T/10），具有较大的感受野，能够提取较大频率范围的脑电信号特征；分支2的时域卷积核大小为（1，T/25），感受野适中，提取中间范围的脑电信号特征；分支3的时域卷积核大小为（1，T/125），感受野较小，用于捕捉脑电信号中的细节特征。3个分支的空域卷积核大小均为（C，1），覆盖脑电信号输入的所有通道数。此外，分支3的时空融合卷积是一种隐式的先时域再空域的卷积方式，该方式可以对混合通道的时空特征进行深度处理和集成[25]。3个分支时空特征提取后，在时间维度上进行拼接，并利用一层通用卷积对拼接后的特征图进行信息融合，最终输出解码的信号类别。
本文基于已验证的运动想象脑电信号采集方式和运动意图解码模型，如图3所示，开展了MI-BCI康复训练系统集成搭建和在线康复训练实验。图3（a）为系统集成示意图，主要包括脑电信号采集设备和同步模块、任务引导界面以及脑控信号解析和控制上位机等部分组成；图3（b）为在苏州市立医院进行的脑卒中手部运动障碍康复训练在线试验示意图。
图3 MI-BCI康复训练系统集成搭建和在线康复训练实验
3 实验结果分析
在这一部分，将介绍实验室自采数据集，以及上述提出的融合专注度检测和评估的运动想象脑电信号采集方式的验证实验结果、性能以及有效性分析。
3.1 融合专注度评估效果分析
通过运动想象任务执行期间的专注度检测，每段脑电信号均根据频段能量P值进行标记：P>= 1.98，反馈信息标记为“表现优异”；P>= 1.02，标记为“表现良好”；P<1.02标记为“表现较差”。基于反馈信息，将从脑地形图、频谱图和对比分类3个方面进行有效性分析。
实验脑地形图如图4所示，图中红色表示信号功率高，绿色表示信号功率低。由图4分析可知，图4（a）静息态和图4（d）反馈“表现较差”之间的大脑激活程度较低，脑地形图相似度高，说明被试该时间段未能集中注意力进行运动想象。被试进行运动想象脑电信号会出现事件相关同步化/去同步化（Event-Related Synchronization/ Event - Related Dcsynchronization，ERS/ERD）现象，即同侧脑电信号幅值增强，对侧减弱，图4（b）可以明显看出这种变化，说明被试该时间段非常专注，很好地诱发了运动想象脑电信号。对于图4（c）处于图4（b）和图4（d）之间的一种想象状态，图中显示出同侧ERS现象，而对侧ERD现象并不明显，说明被试该时间段未充分进行运动想象。
图4 被试3 s时间段的脑地形图
实验信号频谱图如图5所示，显示了9名被试的频谱，其中红色线条表示9名被试脑电信号的平均频谱。由图5信号频谱分析可知，图5（a）静息态和图5（d）反馈“表现较差”之间具有相似的频谱规律，主要集中在5 Hz，属于θ频段（4~8 Hz），该频段脑电波通常出现在放松、困倦、心流以及注意力分散的状态下，说明当反馈“表现较差”时，被试在任务期间处于放松、注意力分散的状态，近似于静息态；图5（b）反馈“表现优异”和图5（c）反馈“表现良好”之间整体频谱规律相似，主要集中在11 Hz，属于μ频段，与运动想象过程中同侧发生的事件相关同步现象相关。不同的是在θ频段，图5（c）具有更大的激活，说明被试在任务期间还未完全专注，虽然显著区别于反馈“表现较差”时的状态，但相比反馈“表现优异”时的状态还存在细微差距。
图5 被试3 s时间段的频谱图
表2~4显示了不同类型数据组合的分类结果，可以看出，<反馈“表现优异”>+<静息态>数组组合方式实现了最高的分类准确率，符合图4和5的分析结果，具有最显著的差异；<反馈“表现良好”>+<静息态>数组组合方式次之；<反馈“表现较差”>+<静息态>数组组合方式最差。
表2 反馈“表现优异”和静息态分类结果
表3 反馈“表现良好”和静息态分类结果
表4 反馈“表现较差”和静息态分类结果
图4和图5的分析结果解释了表2~表4得到的分类结果，反过来，表2、表3和表4的分类结果也再次印证了图4和图5分析结果的正确性。因此，通过脑地形图和频谱图分析以及对比分类印证了专注度检测反馈的有效性。此外，由于<反馈“表现优异”>和<反馈“表现良好”>自身具有较好的识别性，在后续实验中将保留这两部分数据，剔除<反馈“表现较差”>的数据。通过组合<反馈“表现优异”>和<反馈“表现良好”>的数据，一方面能够扩充数据量，降低模型过拟合风险，另一方面两部分数据的细微差距类似于数据增强，能够提升模型的泛化能力，增强模型对噪声的过滤。
3.2 信号解码性能分析
基于上述专注度评估分析结果，保留每个被试<反馈“表现优异”>和<反馈“表现良好”>的数据进行训练和测试，数据集按8：2的比例划分为训练集和测试集，并使用五折交叉验证法。模型运行在Intel（R） Core（TM） i9-14900HX@2.20 GHz CPU、NVIDIA GeForce RTX 4090 Laptop GPU、显存16GB、内存32GB的笔记本上，并在Python 3.8和Pytorch 1.12.1（GPU）版本上搭建实现。模型训练使用ADAM优化器，损失函数为交叉熵损失，学习率为0.001，批次大小为32。
由9名健康被试实验的分类精度分析结果（见图6）可知，本文采用融合专注度分析反馈方法所搭建的运动意图解析模型的脑电运动意图信号效果，在被试间具有明显的个体差异性，具有较高的分类精度和鲁棒性。其中，被试3实现了最高的分类准确率95.29%，被试8得到了最低的分类准确率74.14%，9名被试的平均分类准确率为84.37%。
图6 被试五折交叉验证分类结果
4 讨论
康复训练机器人系统可通过执行任务态康复训练增强脑卒中患者半球间功能再平衡和皮质脊髓束结构功能重组等机制改善卒中后运动功能障碍问题。基于运动想象脑电信号的脑机接口机器人系统，与患者主动运动意图的相关性较大，可有效促进患者神经重塑，为脑卒中患者提供更高效和个性化的康复训练方式。然而，高质量的运动意图脑电信号采集和患者感觉反馈之间的准确匹配是实现高效康复训练的重要因素，也是运动想象脑机接口康复训练研究的重要方向。
本文为解决被试在运动想象脑机接口任务态执行时注意力集中度不足，以及脑电信号采集过程缺乏反馈信息引导和反馈刺激，导致无法与被试进行实时反馈交互匹配的问题，提出了融合专注度评估与反馈优化的运动想象康复训练方法。本文创新性地提出一种融合专注度评估与反馈优化的运动想象脑机康复训练方法，该方法主要包含头皮脑电信号传感采集、运动想象专注度解析和脑电信号解码三部分。所采用的新型采集方式结合了康复训练动作引导画面和专注度检测反馈，促进被试更好地掌握运动想象模式，增强感觉运动皮层的激活程度，本文3.1小节的实验分析，证明了新采集方式的有效性。在运动想象专注度解析阶段，根据专注度评估反馈标记信息，去除被试专注度较低时的脑电数据段，从而构建高质量的脑电数据集，训练了由3个具有不同尺度核大小的时空特征提取分支构建的三分支并行的浅层卷积神经网络模型，实现了高效的运动想象脑电信号解码，3.2小节详细分析了解码模型的构建和性能表现。
5 结束语
为了使网络模型学习多层次的时空特征信息进行运动想象脑电高质量解析，本文设计了由3个具有不同尺度核大小的时空特征提取分支构建的三分支并行的浅层卷积神经网络模型。同时，根据专注度评估反馈标记信息，去除被试专注度较低时的脑电数据段，从而构建高质量的脑电数据集，为解码模型提供优质的训练环境。
本文分两阶段对提出的融合专注度评估与反馈优化的运动想象康复训练方法进行了实验验证。第一阶段，通过脑地形图、频谱图和对比分类分析了不同专注程度对脑电信号的影响。实验结果显示通过引入专注度检测评估和反馈的信号采集方式后，高专注度下运动想象脑电信号具有更明显的特征和更高的识别精度，从而验证了融合专注度评估和反馈优化的运动想象脑电采集新方法的有效性。第二阶段，提出了三分支并行的浅层卷积神经网络模型，在自采健康被试数据集上进行了实验验证，运动想象脑电二分类准确率达到了84.37%。此外，在3名患者被试实验上经过为期1~3个月的康复训练，FMA-UE和MMSE量表评分表现均有明显提升，同时引入专注度检测评估和反馈的信号采集方式可有效提高患者主动康复训练的专注度和效率。未来，本研究方法将针对更多运动障碍患者开展进一步完善的对照实验验证和优化。
Research on motor imagery brain-computer interface rehabilitation training method incorporating attention assessment and feedback
FAN Xuemei, MAN Jianzhi, ZHANG Hui, LONG Shanli, SUN Guangyu
（East China Institute of Optoelectronic Integrated Devices, Suzhou 215163, China）
Abstract: Current motor imagery brain-computer interface (MI-BCI) rehabilitation training methods suffer from a lack of diversity in experimental approaches, insufficient real-time feedback optimization, and low decoding rates of electroencephalogram (EEG) signals. This paper innovatively proposes an MI-BCI rehabilitation training method to address these problems, integrating concentration assessment and feedback optimization. A paradigm of EEG signals acquisition is explored by incorporating concentration level assessment. The efficiency of decoding motor imagery EEG signals is significantly improved, benefiting from the feedback of concentration assessment of the subjects in a task state. Experimental results demonstrate that the proposed novel MI-BCI rehabilitation training method improves the concentration levels of subjects, and simultaneously validates the differences in EEG signals with varying degree of concentration. Furthermore, an MI-EEG binary classification accuracy of 84.37% is achieved.
Keywords: BCI; motor imagery; integrating concentration assessment and feedback; rehabilitation training
本文刊于《信息通信技术与政策》2025年 第3期
主办：中国信息通信研究院
《信息通信技术与政策》是工业和信息化部主管、中国信息通信研究院主办的专业学术期刊。本刊定位于“ 信息通信技术前沿的风向标，信息社会政策探究的思想库 ”，聚焦信息通信领域技术趋势、公共政策、 国家/产业/企业战略，发布前沿研究成果、焦点问题分析、热点政策解读等，推动5G、工业互联网、数字经济、人工智能、大数据、云计算等技术产业的创新与发展，引导国家技术战略选择与产业政策制定，搭建产、学、研、用的高端学术交流平台。
期刊荣誉与收录情况
AMI（2022版）A刊扩展期刊
RCCSE中国核心学术期刊
入选中国科协信息通信领域高质量科技期刊分级目录
为进一步提高期刊信息化建设水平，为广大学者提供更优质的服务，我刊官方网站（http://ictp.caict.ac.cn）已正式投入运行，欢迎投稿！
推荐阅读
