01、招生要求
香港城市大学研究生院对博士申请设定了明确基准。申请人须持有认可大学的学士学位，成绩至少达到二等荣誉或同等水平。硕士学历非必需，但具备相关硕士学位者可适当缩短修业年限。英语门槛为托福79分、雅思6.5分，或大学英语六级490分以上——六级选项对内地申请者尤其实用。
电子工程系内部筛选标准更高，3.5/4.0的本科GPA或一等荣誉学位才具竞争力。研究履历方面，发表过SCI论文的申请人显然占优，这直接反映了科研潜力。值得注意，CityU近年推行"PhD by Innovation" track，对工程应用能力突出的候选人放宽理论要求，但Prof. CHAN的传统研究方向仍看重数理基础与实验技能。
02、研究方向
Prof. CHAN的研究轨迹呈现清晰演进：自南加州大学生物医学工程博士阶段起，便深耕视觉系统神经界面，2009年加入CityU后逐步拓展至智能医疗与计算视觉。当前布局可归纳为四大板块：
- 神经调控与视觉假体：核心领域。团队开发视网膜刺激电极阵列，在Journal of Neural Engineering 2025年论文中验证非周期性电刺激能有效改善退行性视网膜病变大鼠的视觉皮层响应。不同于传统固定频率刺激，该工作通过调节脉冲间隔时序，提升了皮层诱发电位的信噪比。这为假体植入后的功能优化提供了可量化参数。
- 在体电生理与皮层可塑性：methodology基础。长期记录视觉通路信号，研究退行性病变如何重塑皮层功能。2024年Neural Regeneration Research 的综述提出经角膜电刺激作为神经退行性疾病调控新途径——并非直接修复视网膜，而是通过前段视觉结构间接影响全脑网络。这种"借力"思路颇具启发：当靶点组织不可修复时，旁路调控可能更高效。
- AI驱动的医疗监测：近年拓展最快的方向。2025年Applied Sciences 论文用深度学习从眼底图像检测阿尔茨海默病，准确率达临床可用水平。关键洞察在于：视网膜作为中枢神经延伸，其血管与神经纤维层变化可映射脑内病理进程。这颠覆了传统认知——眼科检查不再只为视力，更为脑健康。同年Advanced Science 发表的自供电摩擦电弯曲传感器用于手语识别，则将柔性电子与边缘AI结合，实现无感监测。
- 智能交通视觉系统：看似跨度大，实则技术同源。2024年IEEE Transactions on Intelligent Transportation Systems 的夜间车辆检测论文，利用层次上下文信息解决低光照下的长尾分布问题。城市夜间光照变化剧烈，单纯增大网络深度无效，Prof. CHAN团队引入场景自适应网络，在不同光照域间迁移学习——这与视网膜在不同光强下切换视杆/视锥工作机制异曲同工，都是动态范围优化的生物启发。
03、有想法
基于上述方向与最新发表，以下研究构想具备可行性，且能对接现有资源：
构想一：联邦学习框架下的多中心视网膜疾病筛查系统
现有AI眼底筛查模型依赖中心化数据，但医院间数据孤岛严重。可构建横向联邦学习架构，各院仅共享模型梯度而非原始图像。技术难点在于：视网膜图像的病灶标注标准不一，需设计对齐机制。可借鉴Prof. CHAN 2025年IEEE Journal of Biomedical and Health Informatics 的脑肿瘤分割论文中的最优传输知识蒸馏思路，让各客户端模型学习全局表征的同时保留本地标注习惯。预期产出：一套符合医疗数据隐私法规（如HIPAA）的分布式训练平台，在3-5家医院试点，使罕见病（如遗传性视网膜变性）识别率提升15-20%。
构想二：闭环经角膜电刺激系统用于帕金森早期干预
2024年综述已论证经角膜刺激可调控脑网络。下一步应实现刺激-响应闭环：用便携式EEG实时监测运动皮层β波段震荡，当检测到异常同步时，触发角膜电刺激抑制病理振荡。创新点在于将Prof. CHAN的视觉系统电生理技术迁移至运动障碍疾病。需解决的关键问题包括：刺激伪迹对EEG的干扰、个体化刺激参数优化。可复用团队在视网膜刺激中的伪迹消除算法。临床前研究可在帕金森模型小鼠上验证，指标选择运动皮层LFP（局部场电位）的相幅耦合强度。
构想三：能量收集驱动的植入式视觉皮层记录仪
现有在体电生理设备依赖电池或经皮供电，感染风险高。可开发基于热电或压电能量收集的微系统，利用脑温与体表温差或颅骨微振动供电。技术挑战在于：能量微弱（微瓦级）且不连续，需配合超低功耗电路与间歇式无线传输。这与Prof. CHAN早期研究的无线能量传输一脉相承，但需从"大功率传输"转向"微弱能量管理"。创新在于引入边缘计算：在芯片端先进行尖峰检测（spike detection），只传输神经事件而非原始波形，将功耗降低一个数量级。预期成果：6个月稳定记录的微型设备（<2g），用于灵长类视觉皮层长期可塑性研究。
构想四：神经形态事件驱动相机融合RGB图像的城市场景理解
智能交通方向可进一步深入。事件相机（event camera）在夜间高动态范围场景下优势显著，但缺乏纹理信息。可设计双通路异步融合网络：RGB通路提供语义，事件通路捕捉运动。难点在于两类数据时间分辨率差异大（毫秒级vs纳秒级）。可参考Prof. CHAN 2025年Engineering Applications of Artificial Intelligence 的去雾网络中的双通路Transformer结构，但改为异步更新机制——事件到达时立即触发特征更新，RGB帧到达时进行全局校正。应用场景：自动驾驶中的夜间行人意图预测，目标是将检测延迟从传统相机的50ms降至5ms以内。此为硬件-算法协同设计，需与传感器厂商合作。
【竞赛报名/项目咨询+微信：mollywei007】
