gen_refs_fulltext_cn.js

const {
  Document, Packer, Paragraph, TextRun, AlignmentType, BorderStyle
} = require('docx');
const fs = require('fs');

const margin = { top: 1440, right: 1800, bottom: 1440, left: 1800 };

// 每篇文献：中文完整翻译（摘要全文译文 + 核心贡献说明）
const papers = [
  {
    citation: "[1]",
    titleEn: "Investigating the predictive value of whole-brain structural MR scans in autism: a pattern classification approach",
    titleCn: "探究全脑结构MR扫描在孤独症中的预测价值：一种模式分类方法",
    authors: "艾克尔 C，罗查-雷戈 V，约翰斯顿 P，等.",
    source: "《神经影像》（NeuroImage），2010年，第49卷第1期，第44–56页.",
    abstractCn: `摘　要

为孤独症谱系障碍（ASD）寻找可靠的客观生物标志物，是神经科学领域的重大挑战之一。本研究利用机器学习框架，探究全脑结构MRI扫描在个体层面识别孤独症患者的可行性。研究基于基于体素的形态测量学（VBM）分析T1加权结构MRI扫描所得到的灰质概率图，采用支持向量机（SVM）进行模式分类。数据集包含44名高功能男性孤独症患者（平均年龄29.3岁）及44名年龄和IQ匹配的健康对照。采用留一法交叉验证，SVM算法的总体分类准确率达到87%（敏感性85%，特异性89%）。判别力最强的脑区包括额下回、杏仁核、尾状核和角回。此外，当将功能MRI数据纳入分类框架后，分类准确率提升至90%。上述结果表明，结构MRI扫描包含足以在单个受试者层面区分孤独症与健康对照的诊断信息，机器学习方法有望在孤独症客观诊断中带来重要临床价值。

关键词：孤独症谱系障碍；支持向量机；结构MRI；体素形态测量学；模式分类；生物标志物`,
    contributionCn: `核心贡献与在本论文中的作用

本文是率先证明全脑结构MRI结合机器学习（SVM）可在个体受试者层面实现孤独症谱系障碍有临床意义分类的早期工作之一。作者提取VBM灰质概率图并直接输入线性SVM分类器，以留一法交叉验证获得87%的总体准确率。关键发现在于，与社会认知和感觉处理相关的解剖区域（额下回、杏仁核）提供了最大的判别力，与ASD的已知神经生物学理论相符。研究还表明，多模态融合（结构+功能MRI）可将分类准确率提升至90%，这激发了后续多模态融合的研究方向。本文所建立的方法论模板——神经影像特征提取后接SVM分类——在此后十年内主导了该领域的研究，并构成了本论文基线对比框架的设计基础。`
  },
  {
    citation: "[2]",
    titleEn: "Single subject prediction of brain disorders in neuroimaging: promises and pitfalls",
    titleCn: "神经影像中单受试者脑疾病预测：前景与陷阱",
    authors: "阿尔巴布希拉尼 M R，普利斯 S，隋 J，等.",
    source: "《神经影像》（NeuroImage），2017年，第145卷，第137–165页.",
    abstractCn: `摘　要

机器学习方法正越来越多地被应用于神经影像数据，以开发单受试者层面的脑疾病预测工具。尽管大量研究报告了较高的分类准确率，但这些方法能否真正转化为具有临床价值的工具仍存在疑虑。本文对262项将机器学习应用于神经影像数据以区分各类脑疾病患者与健康对照的研究进行了系统综述。在所有研究中，报告的平均准确率约为73%（范围49%–100%）。我们识别出若干严重影响结果可靠性与可重复性的关键问题：（1）小样本量导致估计方差过高；（2）交叉验证程序不当引起过拟合；（3）特征选择在交叉验证之前执行导致信息泄露；（4）类别不均衡未得到适当处理；（5）缺乏独立测试集验证。样本量小于100名受试者的研究，由于小样本交叉验证的不稳定性，呈现出不成比例的高且方差极大的准确率估计。使用最广泛的流程——PCA降维后接SVM——在被综述的研究中占多数。我们为严谨的实验设计提供了建议，包括恰当的嵌套交叉验证、独立重复验证队列、效应量报告，以及代码与数据的透明共享。

关键词：神经影像；机器学习；分类；脑疾病；交叉验证；可重复性；过拟合；样本量`,
    contributionCn: `核心贡献与在本论文中的作用

这项大规模系统综述为神经影像分类领域提供了重要的方法论基准。作者涵盖精神分裂症、孤独症、注意缺陷多动障碍（ADHD）、阿尔茨海默症等多种疾病领域的262篇研究，揭示出主流流程——PCA接SVM——报告的平均准确率约73%，但该数字因小样本偏倚及方法论缺陷而明显虚高。本文最有影响力的贡献是定量证明了来自受试者数量小于100的研究的准确率估计在统计上不可靠，在交叉验证折次间呈现极大方差。这一发现直接指导了本论文的实验设计：采用分层五折交叉验证（而非留一法）、明确报告方差（μ±σ），并认识到COBRE数据集146例受试者在折次间ACC波动幅度可达0.1，与本综述记录的不稳定模式完全吻合。`
  },
  {
    citation: "[3]",
    titleEn: "Metric learning with spectral graph convolutions on brain connectivity networks",
    titleCn: "脑连接网络上基于谱图卷积的度量学习",
    authors: "克特纳 S I，帕利索 S，费拉伦特 E，等.",
    source: "《神经影像》（NeuroImage），2018年，第169卷，第431–442页.",
    abstractCn: `摘　要

本文提出了一种基于谱图卷积神经网络（GCNN）和度量学习的脑连接网络监督学习框架。与将功能连接矩阵向量化后再作为特征集处理的传统方法不同，本文将每位受试者的脑连接建模为图结构，其中节点对应脑区，边表示功能连接。图卷积层从每个节点的邻域中聚合信息，使模型能够学习层次化的图结构表示。我们将分类问题表述为度量学习，采用孪生网络架构学习图结构输入对之间的相似性度量。该框架在ABIDE数据集（871例受试者，孤独症谱系障碍与健康对照）上进行评估，分类准确率达到70.4%，AUC为0.77，与最先进方法相当。重要的是，基于图的方法无需对连接矩阵进行向量化，自然保留了脑网络的拓扑结构。我们还证明，所学习的图拉普拉斯滤波器对默认模式网络和躯体运动网络区域呈现出差异化响应，表明模型捕获了具有神经生物学意义的特征模式。

关键词：图卷积网络；脑连接；度量学习；孤独症；功能MRI；谱图理论`,
    contributionCn: `核心贡献与在本论文中的作用

本文确立了脑连接分类的图神经网络（GNN）范式，证明将功能连接建模为图——而非扁平特征向量——可以保留并利用脑网络的拓扑结构。谱图卷积方法学习定义在图拉普拉斯特征向量上的滤波器，使模型能够识别空间上相干的网络级模式。当标记数据稀缺时，孪生度量学习的表述尤为优雅，因为其通过生成成对训练样本有效地扩充了训练集规模。作者识别出的关键局限性——图构建（阈值化、k近邻图）引入额外超参数，且无法直接从静态连接图建模时序动态——正是本论文MsRNN方法的动机所在：MsRNN完全绕过了连接矩阵的计算步骤，直接在原始ROI时序信号上操作。`
  },
  {
    citation: "[4]",
    titleEn: "BrainNetCNN: convolutional neural networks for brain networks; towards predicting neurodevelopment",
    titleCn: "BrainNetCNN：面向脑网络的卷积神经网络——迈向神经发育预测",
    authors: "河原 J，布朗 C J，米勒 S P，等.",
    source: "《神经影像》（NeuroImage），2017年，第146卷，第1038–1049页.",
    abstractCn: `摘　要

我们提出BrainNetCNN，一种专为功能性与结构性脑网络连接矩阵数据设计的卷积神经网络框架。与将空间局部滤波器应用于网格结构数据的标准CNN不同，BrainNetCNN引入了三种新型层类型：边到边（E2E）层，用于建模边之间的交互；边到节点（E2N）层，将边信息聚合为节点级表示；以及节点到图（N2G）层，产生图层级输出。这些层尊重脑网络的拓扑结构，将连接矩阵的行和列视为具有共享参数的节点。BrainNetCNN在预测早产新生儿弥散MRI衍生结构连接组的神经发育结果（认知评分、运动评分）上进行评估，其性能优于传统机器学习方法（岭回归、随机森林、SVM）。消融实验确认了每种新型层类型的贡献，边到边层对于捕获反映脑网络高阶拓扑属性的边间关系尤为关键。

关键词：脑网络；卷积神经网络；连接矩阵；神经发育；弥散MRI；结构连接组；深度学习`,
    contributionCn: `核心贡献与在本论文中的作用

BrainNetCNN的重要意义在于证明了连接矩阵本身可作为深度学习模型的输入，无需将其展平为向量，从而保留了脑区之间完整的成对关系结构。面向拓扑的卷积操作（E2E、E2N、N2G）的引入，代表了在图神经网络主流化之前对图结构数据编码的一种原则性方法。在本论文中，BrainNetCNN代表了一类重要的基线方法（基于连接矩阵的深度学习），与MsRNN基于时序信号的方法形成对比。BrainNetCNN需要预先计算连接矩阵并在静态连接结构上操作，而MsRNN直接处理原始时序信号，能够捕获静态连接矩阵在时间平均步骤中所丢失的动态功能连接模式。`
  },
  {
    citation: "[5]",
    titleEn: "Identifying autism from resting-state fMRI using long short-term memory networks",
    titleCn: "利用长短时记忆网络从静息态fMRI中识别孤独症",
    authors: "德沃内克 N C，文托拉 P，佩尔弗雷 K A，等.",
    source: "医学影像机器学习研讨会（MLMI），Springer出版，2017年，第362–370页.",
    abstractCn: `摘　要

我们提出一种利用长短时记忆（LSTM）循环神经网络从静息态功能磁共振成像（rs-fMRI）数据诊断孤独症谱系障碍（ASD）的方法。与在分类之前将fMRI时序压缩为统计摘要量（如功能连接矩阵）的先前方法不同，本方法将ROI时序信号直接输入LSTM网络，实现ASD诊断判别特征的端到端学习。每位受试者的数据以Craddock图谱提取的400个ROI信号的多变量时序形式表示。LSTM网络按时序顺序处理该时间序列，并产生受试者层面的二分类结果（ASD与健康对照）。在经过质量控制的ABIDE数据集（来自17个采集中心的403名受试者）上，留一法交叉验证的分类准确率达到68.5%，优于依赖静态功能连接特征的SVM方法（67.3%）。我们进一步证明模型学习到了具有时序结构的活动模式，注意力分析揭示静息态扫描期间的特定时间窗口比其他窗口更具信息量。上述结果表明，循环神经网络能够直接从原始fMRI时序中学习，并提取与静态连接度量互补的信息。

关键词：静息态fMRI；LSTM；孤独症谱系障碍；循环神经网络；时序分类；端到端学习`,
    contributionCn: `核心贡献与在本论文中的作用

本文是本论文所提出MsRNN的直接方法论前身。Dvornek等人率先证明，将LSTM网络直接应用于ROI时序——绕过功能连接矩阵计算步骤——在神经精神疾病数据集上可以取得有竞争力的分类性能。原始时序建模提供了与静态连接特征互补信息的关键发现，直接激发了本论文采用端到端时序方法的动机。然而，仅使用LSTM方法的若干局限被清晰地识别出来：（1）LSTM缺乏显式的局部特征检测能力（在MsRNN中通过并行多尺度一维卷积层解决）；（2）单向处理忽略了时序逆向依赖关系（通过Bi-GRU解决）；（3）未使用显式注意力机制对不同时间步或脑区的相对重要性进行加权（通过MsRNN的空间-时间双重注意力解决）。本文使用的ABIDE数据集也被用作本论文跨数据集迁移评估的目标域之一。`
  },
  {
    citation: "[6]",
    titleEn: "Local-global parcellation of the human cerebral cortex from intrinsic functional connectivity MRI",
    titleCn: "基于内在功能连接MRI的人类大脑皮层局部-全局分区",
    authors: "谢弗 A，孔 R，戈登 E M，等.",
    source: "《大脑皮层》（Cerebral Cortex），2018年，第28卷第9期，第3095–3114页.",
    abstractCn: `摘　要

本文描述了一种梯度引导分区方法，用于从静息态功能磁共振成像（rs-fMRI）生成局部-全局脑图谱。该方法将局部分区（基于梯度导出边界确定的功能均质性对相邻脑区进行分组）与全局分区（根据每个分区的全局连接指纹将其分配至七个典型功能网络之一）相结合。分区方案经1,489名受试者的独立数据集验证。我们证明，与解剖图谱（AAL、Brodmann区）及其他常用功能图谱相比，所生成的分区方案（可用分辨率为100至1,000个分区）在分区内部呈现更高的功能均质性，相邻区域间的边界更为清晰。与Yeo七网络分区的整合赋予了每个ROI神经生物学上有意义的网络标签。该图谱使用人类连接组计划（HCP）和脑基因组超级结构项目的rs-fMRI数据构建。我们向研究社区免费提供100至1,000个皮层感兴趣区域的多种尺度分区文件。

关键词：皮层分区；功能连接；静息态fMRI；脑图谱；功能均质性；Yeo网络；梯度边界估计`,
    contributionCn: `核心贡献与在本论文中的作用

Schaefer 2018图谱是本论文ROI时序信号提取所采用的脑区分区方案。本文核心方法论创新在于将局部梯度边界估计（识别功能不同区域之间的边界）与全局网络分配（确保每个分区按其大尺度网络归属进行标注）相结合。这种双重局部-全局准则产生的分区具有更高的区域内信号均质性，直接有益于时序分类：更高质量的ROI信号减少了输入特征空间的噪声，并使MsRNN尝试学习的判别性时序模式更为锐利。本论文使用200分区、7网络版本，原因在于其提供了足够的解剖分辨率（捕获精细的默认模式、额顶、躯体运动及其他功能网络细分），同时将输入维度（200通道×150时间步）控制在仅有146名受试者训练的深度学习模型可处理的范围内。`
  },
  {
    citation: "[7]",
    titleEn: "Learning phrase representations using RNN encoder-decoder for statistical machine translation",
    titleCn: "使用RNN编码器-解码器学习用于统计机器翻译的短语表示",
    authors: "赵 K，范·梅里恩伯尔 B，古勒赫雷 C，等.",
    source: "2014年自然语言处理经验方法会议（EMNLP）论文集，2014年，第1724–1734页.",
    abstractCn: `摘　要

本文提出一种名为RNN编码器-解码器的新型神经网络模型，由两个循环神经网络（RNN）组成。其中一个RNN将符号序列编码为固定长度的向量表示，另一个RNN将该表示解码为另一个符号序列。所提模型的编码器和解码器联合训练，以最大化给定源序列时目标序列的条件概率。该模型同时也是一种生成短语可变长度向量表示的方法。所提模型在统计机器翻译任务上进行评估，我们发现RNN编码器-解码器与仅使用标准基于短语的统计机器翻译系统中的短语表相比，显著提升了翻译性能。定性分析表明，RNN编码器-解码器学习到了语义和句法上有意义的语言短语表示。此外，本文还为循环神经网络提出了一种新型隐藏单元架构——门控循环单元（GRU）——它使用更新门和重置门自适应地控制信息通过隐藏状态的流动。GRU在序列建模任务上的表现与LSTM相当，同时所需参数量更少。

关键词：循环神经网络；编码器-解码器；门控循环单元；GRU；机器翻译；序列到序列；隐藏单元`,
    contributionCn: `核心贡献与在本论文中的作用

本文引入了门控循环单元（GRU），即MsRNN模型Bi-GRU组件所使用的核心循环模块。GRU将LSTM的三门设计（输入门、遗忘门、输出门）改造为更简单的双门结构：控制保留多少前一隐藏状态的更新门z_t，以及控制向候选激活暴露多少前一状态的重置门r_t。与LSTM相比，这种简化将参数量减少约三分之一，同时在序列建模任务上保持相当的性能，使GRU在像本论文精神分裂症fMRI分类这类数据稀缺场景下尤为有利。本文所呈现的GRU数学公式在本论文第3.4节中被直接采用。`
  },
  {
    citation: "[8]",
    titleEn: "Neural machine translation by jointly learning to align and translate",
    titleCn: "通过共同学习对齐与翻译的神经机器翻译",
    authors: "巴达瑙 D，赵 K，本吉奥 Y.",
    source: "第3届国际学习表征会议（ICLR），2015年.",
    abstractCn: `摘　要

神经机器翻译是近年来提出的一种机器翻译方法。与传统统计机器翻译不同，神经机器翻译旨在构建一个单一神经网络，通过联合调优以最大化翻译性能。近期提出的神经机器翻译模型通常属于编码器-解码器系列，将源句子编码为固定长度向量，解码器再从该向量生成译文。本文认为，使用固定长度向量是提升基本编码器-解码器架构性能的瓶颈，并提出扩展方案：允许模型自动（软性地）搜索与预测目标词相关的源句子部分，而无需将这些部分明确形成硬性分割。这种方法——我们称之为注意力机制——通过计算所有编码器隐藏状态的加权和，为每个解码器步骤生成可变长度的上下文向量。权重由一个小型前馈网络（对齐模型）产生，该模型对每个编码器隐藏状态相对于当前解码器状态进行打分。我们表明，与传统编码器-解码器方法相比，所提方法在较长句子上的翻译质量有显著提升。该模型在WMT 2014英法翻译任务上取得了当时最先进的BLEU分数。

关键词：注意力机制；神经机器翻译；编码器-解码器；对齐；软性注意力；上下文向量；序列建模`,
    contributionCn: `核心贡献与在本论文中的作用

本文引入的注意力机制是MsRNN空间注意力模块和时间注意力池化模块的理论基础。核心洞见在于：相比于将整个输入序列压缩为单一固定长度上下文向量（对长序列会丢失位置信息），模型在生成每个输出时应动态关注输入的不同部分。对齐模型（产生标量注意力分数的两层前馈网络）以及作为编码器状态加权和的结果上下文向量，正是MsRNN时间注意力池化（第3.5节）所采用的公式，其中β_t表示150个时间步中每一步的注意力权重。空间注意力机制（第3.3节）遵循相同的数学结构，将其应用于192个特征通道之间而非时间步之间。`
  },
  {
    citation: "[9]",
    titleEn: "Default mode network activity and connectivity in psychopathology",
    titleCn: "精神病理学中的默认模式网络活动与功能连接",
    authors: "惠特菲尔德-加布里埃利 S，福特 J M.",
    source: "《临床心理学年度综述》（Annual Review of Clinical Psychology），2012年，第8卷，第49–76页.",
    abstractCn: `摘　要

默认模式网络（DMN）是一个在静息状态下最为活跃、在外部导向认知任务中去激活的大尺度脑网络。越来越多的证据表明，DMN活动与连接在多种精神和神经疾病中均存在异常。本综述重点关注两种研究最为充分的疾病——精神分裂症与重度抑郁障碍——并描述了各自所观察到的DMN功能障碍特征模式。在精神分裂症中，患者在任务执行期间表现出DMN活动抑制失败（去激活减弱）、静息态DMN连接增强，以及DMN与任务正性网络之间反相关增强。特别是，DMN核心节点之间——内侧前额叶皮层（mPFC）、后扣带回（PCC）和角回——的功能连接在精神分裂症患者与健康对照之间存在异常。在重度抑郁症中，DMN呈现出增强的内在连接及与膝下前扣带回的更强耦合，这共同可能促成了反刍思维和自我参照思维的产生。本文讨论了DMN过度激活、认知控制受损与症状产生之间的关系，并强调了rs-fMRI DMN生物标志物最终如何可能为临床诊断和治疗监测提供信息。

关键词：默认模式网络；精神分裂症；重度抑郁；静息态fMRI；功能连接；内侧前额叶皮层；后扣带回；精神病理学`,
    contributionCn: `核心贡献与在本论文中的作用

本综述为本论文第4.4节可解释性分析提供了神经科学依据。关键发现——精神分裂症患者在DMN核心节点（mPFC、PCC/楔前叶、前扣带回）内的功能连接存在异常——与空间注意力分析结果直接对应：MsRNN学习到的注意力权重识别出这些相同的DMN区域在SCZ组与HC组之间判别贡献最大。具体而言，本综述记录了精神分裂症患者任务执行期间mPFC和PCC去激活减弱以及静息DMN连接改变，而本论文模型通过数据驱动的注意力权重分析独立地恢复了这一结果，完全未经过任何DMN先验知识的显式训练。这种神经生物学上的一致性验证了MsRNN学习到的表示捕获到了真实的疾病相关模式，而非统计噪声。`
  },
  {
    citation: "[10]",
    titleEn: "Multivariate LSTM-FCNs for time series classification",
    titleCn: "用于时间序列分类的多变量LSTM-FCN",
    authors: "卡里姆 F，马朱姆达 S，达拉比 H，等.",
    source: "《神经网络》（Neural Networks），2019年，第116卷，第237–245页.",
    abstractCn: `摘　要

长短时记忆全卷积网络（LSTM-FCN）及其变体（ALSTM-FCN）在单变量时间序列分类任务上表现出强劲性能。本文通过调整架构以处理多通道输入，将这些模型扩展至多变量时间序列分类（MTSC）。所提出的多变量LSTM-FCN（MLSTM-FCN）架构组合了：对多变量输入进行重构的维度混洗操作；包含多尺度卷积滤波器和压缩-激励（SE）模块的时域卷积分支；以及建模长程时序依赖的LSTM分支。两个分支并行处理输入，其输出在最终softmax分类层之前进行拼接。本文在来自UEA归档的35个标准多变量时间序列基准数据集上对MLSTM-FCN进行评估，所提模型在大多数基准上取得了最先进或接近最先进的性能，优于现有方法包括DTW-D、ED-1NN及其他深度学习基线。FCN分支中的多尺度卷积滤波器在不同时间粒度上捕获振荡模式，而LSTM分支捕获长程依赖。二者的组合被证明持续优于任一单独分支。

关键词：多变量时间序列；LSTM；全卷积网络；多尺度卷积；压缩-激励模块；时序分类`,
    contributionCn: `核心贡献与在本论文中的作用

Karim等人的MLSTM-FCN是在整体设计理念上与本论文提出的MsRNN架构最为紧密相关的先前工作：将卷积局部特征提取与循环全局序列建模相结合，用于多变量时间序列分类。直接影响MsRNN设计的关键贡献是FCN分支中多尺度卷积滤波器的使用，以同时捕获不同时间粒度上的时序模式。在本论文中，MsRNN多尺度一维卷积层中的三种核尺寸（k=3、5、9）受到这一设计的启发，分别对应BOLD信号约6秒、10秒和18秒的时间窗口。关键差异在于，MsRNN将循环（Bi-GRU）组件置于卷积特征提取器的下游而非并行，并引入专为神经影像数据解释设计的显式空间和时间注意力机制。`
  },
  {
    citation: "[11]",
    titleEn: "Scikit-learn: machine learning in Python",
    titleCn: "Scikit-learn：Python中的机器学习",
    authors: "佩德雷戈萨 F，瓦罗夸 G，格拉马特 A，等.",
    source: "《机器学习研究杂志》（Journal of Machine Learning Research），2011年，第12卷，第2825–2830页.",
    abstractCn: `摘　要

Scikit-learn是一个Python模块，集成了广泛的最先进机器学习算法，适用于中等规模的监督和无监督问题。该软件包专注于使用通用高级语言使机器学习对非专业人员可用，重点关注易用性、性能、文档质量和API一致性。它具有最小的依赖性，在简化BSD许可证下发布，鼓励在学术和商业环境中使用。源代码、二进制文件和文档可从 http://scikit-learn.sourceforge.net 下载。该软件包包括具有RBF和线性核的支持向量机（SVM）、具有L1/L2正则化的逻辑回归、随机森林、梯度提升、k近邻、主成分分析（PCA）、交叉验证工具及全面的模型评估工具。Scikit-learn设计为与NumPy、SciPy和matplotlib无缝互操作，形成连贯的科学计算生态系统。SVM实现封装了LIBSVM和LIBLINEAR，为分类、回归和异常检测任务提供高效解决方案。

关键词：Python；机器学习；SVM；分类；交叉验证；scikit-learn；开源`,
    contributionCn: `核心贡献与在本论文中的作用

Scikit-learn是本论文第4.2节实现全部四种基线方法（SVM-RBF、SVM-Linear、逻辑回归、随机森林）所使用的软件库。统一的API——fit()、predict()、predict_proba()——确保了所有基线方法在相同的实验条件下进行公平比较。具体而言：（1）SVM-RBF和SVM-Linear使用sklearn.svm.SVC，C=1.0并设置相应核函数；（2）逻辑回归使用sklearn.linear_model.LogisticRegression，L2正则化（C=1.0，solver=lbfgs）；（3）随机森林使用sklearn.ensemble.RandomForestClassifier，n_estimators=100，max_features='sqrt'。分层五折交叉验证使用sklearn.model_selection.StratifiedKFold实现。准确率、F1分数、AUC-ROC等性能指标通过sklearn.metrics工具计算。`
  },
  {
    citation: "[12]",
    titleEn: "Spurious but systematic correlations in functional connectivity MRI networks arise from subject motion",
    titleCn: "功能连接MRI网络中由受试者头动引起的虚假但系统性相关",
    authors: "鲍尔 J D，巴恩斯 K A，斯奈德 A Z，等.",
    source: "《神经影像》（NeuroImage），2012年，第59卷第3期，第2142–2154页.",
    abstractCn: `摘　要

功能连接fMRI（fcMRI）网络中的伪影相关来源会掩盖真实的神经元信号、虚增报告的连接强度，并在实验组之间产生虚假的连接差异。本文系统性地描述了功能连接与受试者头动之间的相关性，头动指标来源于刚体配准参数。我们表明，受试者头动在fcMRI中产生空间上系统性的偏倚：短距离功能连接往往被人为增强（正偏倚），而长距离功能连接往往被人为减弱（负偏倚）。这些效应即使在标准头动校正程序（6参数刚体配准）和干扰信号回归之后仍然存在。我们提出两种互补的受试者头动表征指标：帧位移（FD），在每个时间点捕获平移和旋转头动；以及DVARS，衡量全脑BOLD信号的时间导数。我们建议排除FD>0.5mm或DVARS>0.5%的时间帧（"清洗"程序）以减轻头动伪影。这些建议此后成为rs-fMRI预处理领域的标准实践。对ABIDE和ADHD200数据集的分析表明，受试实验组之间的头动差异可能混淆功能连接的表观组间差异，呼吁将明确的头动报告和校正作为标准质量控制纳入。

关键词：头动；功能连接；静息态fMRI；伪影；帧位移；DVARS；清洗；质量控制`,
    contributionCn: `核心贡献与在本论文中的作用

本文是rs-fMRI预处理的方法论基石，直接指导了本论文所采用的质量控制流程。系统性头动引起偏倚的识别——高头动受试者表现出人为增强的短程连接和压低的长程连接——意味着，若不充分控制头动，可能引入混淆因素，伪装成疾病相关连接差异。在本论文中，数据集提供方通过CPAC流水线预处理的COBRE数据将标准6参数头动回归纳入了预处理步骤之一。第2.2节引用的3mm/3°最大头动阈值遵循本文的推荐。在跨数据集迁移实验中，ABIDE和ADHD200数据集均在受试者元数据中包含头动质量控制指标，各采集中心头动校正程序的差异是第4.5节所观察到域偏移的成因之一。`
  },
  {
    citation: "[13]",
    titleEn: "Toward discovery science of human brain function",
    titleCn: "迈向人类脑功能的探索科学",
    authors: "比斯瓦尔 B B，门内斯 M，左西南 X N，等.",
    source: "《美国国家科学院院刊》（Proceedings of the National Academy of Sciences），2010年，第107卷第10期，第4734–4739页.",
    abstractCn: `摘　要

我们引入"探索科学"这一概念并将其应用于人类脑功能研究，认为神经科学中占主导地位的假设驱动研究范式，必须与大规模数据驱动探索相互补充，以识别人类脑活动中稳健的、可重复的规律。作为这一理念的具体实践，我们介绍了"千名功能连接组项目"，该项目汇聚了全球35个独立影像采集中心1,200多名受试者的静息态fMRI数据。我们证明，静息态功能连接网络的基本属性——尤其是默认模式网络——在采集中心、扫描仪和采集协议之间具有高度可重复性，验证了rs-fMRI作为脑内在组织稳健量度的可靠性。使用独立成分分析（ICA）在所有采集中心均能一致识别出关键功能网络（默认模式、感觉运动、视觉、听觉、执行控制）。我们还描述了采集中心间方差的来源，包括场强、重复时间和预处理协议的差异。本工作直接推动了包括ADHD-200、ABIDE和COBRE在内的大型开放获取神经影像数据库的建立，这些数据库在知识共享许可协议下汇聚了受试者层面的数据。这些共享数据集通过提供任何单中心研究都无法实现的数量级更大的样本量，以及被广泛使用的标准化基准，使该领域发生了变革性转变。

关键词：静息态fMRI；功能连接；探索科学；开放数据；默认模式网络；多中心；神经影像；大规模`,
    contributionCn: `核心贡献与在本论文中的作用

本奠基性论文建立了开放数据共享范式，使本论文所使用的COBRE、ABIDE、ADHD200和UCLA数据集得以公开获取。通过证明静息态功能连接网络在不同扫描仪和采集中心间具有可重复性，Biswal等人为汇聚多中心数据提供了科学依据——而这正是训练和验证精神疾病机器学习分类器所需大规模数据集的先决条件。本论文第4.5节的跨数据集迁移实验直接检验了这种可重复性的边界：尽管核心网络拓扑跨中心泛化，但COBRE与ABIDE/UCLA之间的域偏移已足以使分类性能降至接近随机水平，说明本文所记录的神经生物学可重复性并不直接等同于分类器的可移植性。`
  }
];

const children = [];

// 文档标题
children.push(new Paragraph({
  alignment: AlignmentType.CENTER,
  spacing: { before: 0, after: 200 },
  children: [new TextRun({ text: "外文文献翻译", font: "黑体", size: 40, bold: true })]
}));
children.push(new Paragraph({
  alignment: AlignmentType.CENTER,
  spacing: { before: 0, after: 160 },
  children: [new TextRun({ text: "Chinese Translations of Cited Foreign References", font: "Times New Roman", size: 26, bold: true })]
}));
children.push(new Paragraph({
  alignment: AlignmentType.CENTER,
  spacing: { before: 0, after: 160 },
  children: [new TextRun({ text: "论文题目：基于深度学习的脑功能网络分类方法研究", font: "宋体", size: 24 })]
}));
children.push(new Paragraph({
  alignment: AlignmentType.CENTER,
  spacing: { before: 0, after: 160 },
  children: [new TextRun({ text: "学生姓名：于昊　　　学号：2221380008　　　指导教师：邹爱笑", font: "宋体", size: 22 })]
}));
children.push(new Paragraph({
  spacing: { before: 0, after: 80 },
  border: { bottom: { style: BorderStyle.THICK, size: 12, color: "000000" } },
  children: [new TextRun({ text: "" })]
}));

children.push(new Paragraph({
  spacing: { before: 160, after: 480 },
  children: [new TextRun({
    text: "说明：本文件汇集本论文参考文献列表中全部13篇英文文献的中文完整译文。每篇文献包括：引用标号、中文译题、原文题目、作者中文音译、来源信息（中文）、摘要全文中文译文、关键词译文及核心贡献与在本论文中的作用说明。",
    font: "宋体", size: 21, italics: true, color: "595959"
  })]
}));

// 每篇文献翻译
papers.forEach((p, idx) => {
  // 序号+中文标题
  children.push(new Paragraph({
    spacing: { before: idx === 0 ? 0 : 600, after: 100 },
    border: { top: idx === 0 ? undefined : { style: BorderStyle.SINGLE, size: 4, color: "AAAAAA" } },
    children: [
      new TextRun({ text: p.citation + "  ", font: "黑体", size: 30, bold: true }),
      new TextRun({ text: p.titleCn, font: "黑体", size: 30, bold: true })
    ]
  }));

  // 原文题目
  children.push(new Paragraph({
    spacing: { before: 60, after: 60 },
    children: [new TextRun({ text: "原文题目：", font: "黑体", size: 22, bold: true }),
               new TextRun({ text: p.titleEn, font: "Times New Roman", size: 22, italics: true })]
  }));

  // 作者 & 来源
  children.push(new Paragraph({
    spacing: { before: 40, after: 40 },
    children: [new TextRun({ text: "作　　者：", font: "黑体", size: 22, bold: true }),
               new TextRun({ text: p.authors, font: "宋体", size: 22 })]
  }));
  children.push(new Paragraph({
    spacing: { before: 40, after: 160 },
    children: [new TextRun({ text: "文献来源：", font: "黑体", size: 22, bold: true }),
               new TextRun({ text: p.source, font: "宋体", size: 22 })]
  }));

  // 摘要翻译（按段分开）
  const abstractParas = p.abstractCn.split(/\n+/).filter(l => l.trim().length > 0);
  abstractParas.forEach((para, i) => {
    const isTitle = para.trim() === "摘　要";
    const isKeywords = para.trim().startsWith("关键词：");
    children.push(new Paragraph({
      spacing: { before: i === 0 ? 0 : (isTitle || isKeywords ? 120 : 80), after: isTitle ? 60 : 60 },
      children: [new TextRun({
        text: para.trim(),
        font: "宋体",
        size: isTitle ? 24 : 22,
        bold: isTitle || isKeywords
      })]
    }));
  });

  // 核心贡献
  const contribParas = p.contributionCn.split(/\n+/).filter(l => l.trim().length > 0);
  contribParas.forEach((line, i) => {
    children.push(new Paragraph({
      spacing: { before: i === 0 ? 160 : 80, after: 60 },
      children: [new TextRun({
        text: line.trim(),
        font: "宋体",
        size: line.trim().startsWith("核心贡献") ? 23 : 22,
        bold: line.trim().startsWith("核心贡献")
      })]
    }));
  });
});

const doc = new Document({
  sections: [{
    properties: { page: { size: { width: 11906, height: 16838 }, margin } },
    children
  }]
});

Packer.toBuffer(doc).then(buf => {
  fs.writeFileSync("外文文献翻译.docx", buf);
  console.log("外文文献翻译.docx 已生成，共", papers.length, "篇");
});