传感器物理解释、信号和人工智能处理（SPISAIP）是一个综合性研究领域，专注于学习、推理和行动的传感器、解释、信号处理和人工智能算法的物理和数学基础以及实际应用。它架起了理论和应用之间的桥梁，开发了新的理论启发方法，针对长期和新兴的基于传感器的应用。

SPISAIP的核心在于其在传感器、结合凸优化和非凸优化的非线性和非高斯信号处理方法以及基于传感器的机器学习/深度学习神经网络中的应用和提出的物理意义。SPISAIP包含用于解释统计信号处理中感知的新理论框架（例如，隐马尔可夫模型、潜在成分分析、张量分解、贝叶斯方法）以及信息理论学习，这些领域的新发展专注于各种模式的处理，包括音频、生物信号、电磁热多物理信号、图像、多光谱和视频等。近年来，许多传感器设计和信号处理算法都将某种形式的智能作为其解决问题框架的一部分。这些算法有能力概括和发现自己的知识，并学习学习学习新的信息时，看不见的传感器数据被捕获。

专题的重点将是广泛的传感器、物理解释、信号和人工智能处理，包括引进和开发新的先进理论和实用算法。我们欢迎关于这些主题的原创研究和评论文章。

潜在主题包括但不限于以下内容：

• 不同模态传感器和仪器
• 多模态传感器融合技术及其与物理解释的联系
• 传感器模式识别与分析
• 传感器信号和图像处理的机器学习
• 用于医疗保健和监测的多模式信息处理
• 多模态传感器数据融合的计算机视觉与三维重建
• 可穿戴传感器和物联网，用于个性化健康监测和社交计算
• 针对大型传感器数据的数据科学和分析
• 深度学习：传感理论、算法和应用
• 传感器压缩感知与稀疏感知处理
• 材料特性、结构完整性、缺陷检测和识别、应力和寿命评估的无损检测和评估以及结构健康监测
• 传感器和实时数据分析成像