现代神经科学已从小规模人工观察转变为由计算创新驱动的数据密集型领域。传统上专注于神经回路的生物结构和生理功能，该学科如今越来越依赖计算机建模、大规模数据分析和人工智能驱动的诊断。这种跨学科转变将生物学和化学与计算机科学和工程学融合在一起，将神经回路映射等曾经需要数月的过程，通过深度学习转变为高速操作。
包括可穿戴物联网神经传感器和沉浸式增强现实/虚拟现实环境在内的新兴技术，正在将复杂、嘈杂的原始数据转化为可操作的见解。如今，该领域处于医学科学和信息技术的交汇点，来自电子健康记录（EHRs）、医学影像和实时传感器的优化数据流支持对行为、认知和身体功能的更细致理解。
我们目前正目睹一场全球心理健康危机，以及一个越来越容易发生神经退行性变的老龄化人口。仅靠医学科学无法足够快速地扩展以应对这些挑战；迫切需要可扩展、安全和自动化的工具，能够实时监测、诊断和治疗大脑。
然而，先进技术的整合也带来了自身的障碍。深度学习模型往往缺乏可解释性，需要为临床决策开发可解释人工智能（XAI）。此外，确保数据隐私和减轻算法偏见仍然是该领域的关键关切。本研究主题旨在通过为计算机工程、数据科学和人工智能领域的研究人员提供平台，展示新颖的"轻硬件、重软件"方法来解决这些障碍。我们的目标是弥合神经科学家、工程师和临床医生之间的跨学科差距，促进创建数字表型分析工具和神经模拟系统，从而大规模解决复杂的心理和神经学谜题。
本研究主题的范围严格集中在计算和算法创新上。虽然硬件和医疗设备提供基础数据，但本期特刊优先考虑强调用于精准神经科学的软件框架和高级数据利用的贡献。我们欢迎针对以下主题的原创研究、综述和观点文章：
- 建模与模拟：开发模仿生物可塑性并模拟复杂神经回路的人工神经网络。
- 软件框架：为神经数据民主化和协作研究设计的开源管道和平台。
- 预测分析：通过二次数据分析识别心理健康和神经退行性变的数字生物标志物的方法。
- 人机交互（HCI）：将增强现实/虚拟现实用作沉浸式认知评估和治疗应用的数字实验室。
- 可解释人工智能（XAI）与伦理：解决神经诊断算法中的模型可解释性、数据安全和减少偏见问题。
【全文结束】