香港科技大学博士导师（Qian ZHANG教授）

01、招生要求

香港科技大学研究型硕士（MPhil）与博士（PhD）项目采用统一在线申请系统。根据2026-27学年招生简章，申请者需满足以下核心条件：

1. 学历背景：持有认可机构颁发的学士学位，或同等学历资格。博士申请者需额外提供证据，证明其曾在认可机构取得优异成绩，或已在研究生阶段以全日制身份完成至少一年学业，以非全日制身份完成至少两年学业。

2. 学术成绩：本科平均绩点（GPA）达到3.0（4.0满分）或以上。实际录取中，3.3以上的GPA更具竞争力。申请材料须包含官方成绩单、学位证书及院校评分体系说明。

3. 语言能力：申请者若母语非英语，且所获学位非英语授课，则需提交英语能力证明。最低要求为托福iBT≥80分（纸考≥550分），或雅思（学术类）总分≥6.5且单项≥5.5。计算机科学与工程等竞争激烈的项目往往要求更高分数。

4. 推荐信：须提交两封学术推荐信，由能够评价申请者学术能力、研究潜力的教职人员撰写。具备丰富工作经验的申请者，可接受一位专业推荐人。

5. 申请截止日期：针对非本地申请者，2026年秋季入学常规申请截止时间为2026年6月1日，本地申请者为2026年7月15日。

6. 经济资助：全日制PhD学生可获得研究生奖学金（PGS），每年约229,620港元，资助期最长四年。HKPFS提供每年340,800港元津贴、学费豁免及会议旅费支持。科大另设RedBird博士奖，首年提供40,000港元奖金。

02、研究方向

Prof. Qian ZHANG于1999年获得武汉大学计算机科学博士学位，现任香港科技大学（HKUST）计算机科学与工程系及电子与计算机工程系讲座教授，同时担任整合系统与设计学部主任、数字生活研究中心主任、腾讯工程学教授。其学术身份涵盖教育部/微软亚洲研究院信息技术重点实验室主任、技术创新与创业硕士项目主任、HKUST-华为联合实验室联席主任。Prof. ZHANG的研究领域横跨计算机联网、无线系统、信息物理系统、移动计算与网络安全五大方向。其最新成果呈现三个显著特征：

1. 非接触式健康监测技术：2025年发表于npj Digital Medicine的论文探索利用智能手机筛查慢性阻塞性肺病急性加重期的AI驱动系统。该技术面向医疗资源匮乏地区，通过分析用户行为数据提升健康公平性。另一项工作Contactless Arterial Blood Pressure Waveform Monitoring with mmWave Radar（2024）实现毫米波雷达对血压波形的连续监测，无需任何体表接触。此类研究将无线传感与医疗场景深度融合，突破传统设备依赖。

2. 移动与可穿戴计算系统：MobHAR: Source-free Knowledge Transfer for Human Activity Recognition on Mobile Devices（2025）提出无需源数据的知识迁移框架，解决移动设备上的人体活动识别难题。在RimSense项目中，团队利用压电传感器在眼镜框上实现触控交互。这些工作共同指向一个核心命题：如何在不增加硬件负担的前提下，挖掘日常设备的传感潜能。

3. 安全可信的分布式智能：面对联邦学习的安全威胁，Fedeval: Defending Against Lazybone Attack via Multi-dimension Evaluation（2025）构建多维度评估体系识别恶意参与方。Artemis: Defending Against Backdoor Attacks via Distribution Shift（2025）则通过分布偏移检测后门攻击。这些研究针对跨机构协作中的信任危机，提供系统性防御方案。

03、有想法

基于Prof. ZHANG的研究脉络与当前技术前沿，以下三个方向具备较高可行性：

构想一：面向认知衰退早期筛查的多模态耳戴传感系统

该构想延续"Earphone as a Sensor"项目思路，融合声学信号、眼电图（EOG）与惯性测量单元（IMU）数据，构建轻度认知障碍（MCI）的早筛工具。现有耳戴设备已实现呼吸监测与头部追踪，但认知评估维度尚未充分开发。

技术路径：在耳周部署柔性电极阵列，捕捉眼球微小运动模式；利用麦克风记录言语流畅性；通过IMU分析步态稳定性。核心挑战在于低信噪比环境下的信号解耦。可引入对比学习框架，从多模态时序数据中提取与认知状态强相关的表征。临床验证需与精神科合作，建立基于DSM-5标准的标注数据集。

应用价值：全球老龄化背景下，阿尔茨海默病早期干预窗口期至关重要。该系统可实现居家自测，降低筛查门槛，减轻医疗系统负担。技术门槛在于需跨学科整合神经科学知识与信号处理算法。

构想二：工业物联网场景下的通感一体化安全框架

此构想响应"6G: Wireless Access and Connectivity"项目需求，将毫米波雷达成像与联邦学习融合，应用于电力设备故障诊断。传统方案将通信与传感分离设计，导致频谱效率低下。通感一体化（ISAC）通过共享硬件与波形，实现资源复用。

技术路径：部署智能超表面（RIS）增强工厂环境中的信号覆盖；利用毫米波雷达回波提取设备振动模态；在边缘节点部署轻量化诊断模型。安全层面，需防范模型投毒攻击。可借鉴Fedeval的多维评估思想，设计基于物理模型一致性的异常检测机制。当某参与方上传的梯度更新与设备动力学模型显著偏离时，触发警报。

应用价值：工业4.0时代，预测性维护可显著降低停机损失。该框架解决数据孤岛与隐私顾虑，适合跨企业协作场景。实施难点在于工业环境多径干扰强烈，需定制信道估计算法。

构想三：基于因果推断的无线传感数据可信增强机制

该构想源于FreshSpec与FruitPhone项目启发，针对近红外光谱在食品安全检测中的可靠性问题。现有深度学习方法缺乏可解释性，且易受环境干扰。因果学习可识别光谱特征与污染物浓度的真实因果关系，而非统计相关性。

技术路径：构建光谱-成分因果图，利用工具变量法消除温湿度等混杂因子影响；设计反事实推理模块，评估检测结果鲁棒性。在系统层面，需考虑传感器批次差异导致的分布偏移。可借鉴Artemis的分布检测技术，建立跨设备校准协议。

应用价值：便携式光谱仪的市场需求庞大，但数据可信度制约其推广。该机制提升检测结果的法律认可度，为监管科技提供支撑。研究需化学分析基础，验证阶段需与第三方检测机构对比。