显微镜实验中测得的单粒子轨迹包含了有关一系列材料（包括活细胞和组织）中动态过程的重要信息。然而，由于粒子运动的随机性和采样噪声，提取这些信息并不是一项简单的任务。在本文中，我们采用一种称为卷积神经网络（CNN）的深度学习方法，从给定的轨迹中对扩散模式进行分类。我们将这种使用原始数据的全自动方法与需要数据预处理和从轨迹中提取人机工程特征的经典机器学习技术进行比较，以向分类器（如随机森林或梯度增强）提供数据。所有方法均使用已知基础物理模型的模拟轨迹进行测试。从结果可以看出，CNN通常略优于基于特征的方法，但代价是处理时间长得多。此外，仍有一些临界情况下，经典方法的表现优于CNN。

• 收到日期：2019年2月27日

内政部：https://doi.org/10.1103/PhysRevE.100.032410