XiaoMi-AI文件搜索系统
World File Search System蕴含着
国际治理政治经济学
几乎可以毫不费力地用“治理”一词来介绍这样的一本书，因为自 1990 年代以来，“治理”一词已在社会科学领域，包括国际政治经济学 (IPE) 中无处不在。与所有流行语和思想潮流一样，尽管人们对治理概念表示了强烈的不满，但这种无处不在的现象仍然得以实现：学术书籍和期刊中数百页的内容都在担心它是否只是一个空洞的概念，对我们了解世界政治和政治经济帮助不大，或者实际上为我们提供了更敏锐的分析工具，让我们能够理解当代全球变化。我们在此的集体目的不是再次解决这些长期存在的争论，也不是围绕治理概念在我们研究领域中的核心地位的另一种辩护（或其他方式）来定位这本书。我们想做的恰恰相反：展望未来，呼吁“更新”国际政治经济学中关于治理的辩论和思考方式，并汇集该领域一些最优秀、最具创新性的研究成果，提出关于如何实现这一目标的想法。我们凭什么说国际政治经济学中的治理研究需要更新？部分答案在于，传统上，国际政治经济学在发展治理研究的独特贡献方面做得不如其他一些子领域，尤其是公共政策和国际关系 (IR) 子领域。在 2000 年代中期，国际政治经济学关于治理的文献可以合理地被认为是“充其量是萌芽状态的”（Payne 2005: 70），尽管国际政治经济学中蕴含着更广泛的治理研究不可或缺的资源。国际政治经济学家一直非常清楚，要理解治理的政治或机构，首先必须掌握产生这种政治并反过来塑造这种政治的结构背景。从这一核心前提出发，国际政治经济学中涌现出大量关于全球政治经济治理方式和治理应如何进行的充满活力的研究，其中许多研究都充分反映在本书中。然而，我们认为有必要提出这样的主张：为了从经验上识别和从理论上理解全球政治经济中出现的各种治理模式，还有很多工作要做，正是本着这种建设性精神，我们在此呼吁加倍共同努力。然而，非常清楚，这并非易事。全球政治经济中的治理模式本身是不稳定的，不断变化，在某些情况下还处于萌芽状态，在另一些情况下虽然存在已久但很脆弱，等等。詹姆斯·罗西瑙 (James Rosenau) 在 20 世纪 90 年代中期指出，新兴治理体系（他和其他人认为这是国际体系中权力的分解和分散）是一个“未完成的故事”（Rosenau 1995: 39）。2010 年代也是如此，但
E2ENNet：用于情感脑机接口的端到端神经网络
情绪的反映有两种，包括外部反应和内部反应：外部反应包括人的面部表情、手势或言语等；内部反应包括皮肤电反应、心率、血压、呼吸频率、脑电图（EEG）、脑电图（EOG）（Yu et al., 2019）、脑磁图（MEG）（Christian et al., 2014）。从神经科学的角度（Lotfiand Akbarzadeh-T., 2014）发现，大脑皮层的主要区域与人的情绪密切相关（Britton et al., 2006; Etkin et al., 2011; Lindquist and Barrett, 2012），这启发我们通过在头皮上放置脑电电极来收集脑电信号，记录大脑的神经活动，从而识别人的情绪。脑电信号蕴含着情绪信息，近年来在情绪识别领域得到了广泛的应用（Soroush et al.，2017；Sulthan et al.，2018；Alarcao and Fonseca，2019）。在传统的脑电情绪识别过程中，特征提取是至关重要的步骤。如图1所示，在对脑电信号进行预处理后，通常需要从原始脑电信号中提取特征，然后输入到网络进行分类识别（Duan et al.，2013；Chen et al.，2021；Ma et al.，2021）。Duan等（2013）提出了五频带的差分熵（DE）特征，并利用DE特征获得了满意的分类结果。Li et al. (2019) 利用短时傅里叶变换提取时频特征，计算 theta、alpha、beta、gamma 波段的功率谱密度 (PSD) 特征，并使用 LSTM 进行情绪判别，取得了显著的分类结果。马等 (2021) 提出了一种甲虫天线搜索 (BAS) 算法，该算法在三个不同波段和六个通道中提取三个不同的特征，并采用 SVM 分类器进行分类。与传统 SVM 方法相比，BAS-SVM 方法的分类准确率提高了 12.89%。近年来，深度学习方法被广泛应用于情绪识别 (Jia et al.，2020a；Li et al.，2020；Zhou et al.，2021)。宋等 (2021) (2018) 根据电极位置设计 DE 特征，并使用图卷积神经网络 (GCNN) 作为分类器。张等 (2019) 创新性地将从脑电数据集中提取的 DE 特征与从面部表情数据集中提取的特征相结合，构建了时空循环神经网络 (STRNN) 用于情绪识别。李等 (2018) 提出了一种双半球域对抗神经网络 (BiDANN)，以 DE 作为输入特征，在 SEED 数据集上进行了受试者相关和受试者独立的实验，取得了相对最佳的性能。郝等 (2021) 提出了一种提取 PSD 特征作为输入的轻量级卷积神经网络，并在 DEAP 数据集上进行了实验，分别取得了 82.33 和 75 的成绩。Valance 和 Arousal 分别为 46%。Chen 等人 (2021) 提出了一种集成胶囊卷积神经网络 (CapsNet)，该网络使用小波包变换 (WPT) 进行特征提取。平均