勇于冒險 甘于艱苦 樂于和諧

? ? ? ?當下，腦電信號（EEG signal）在臨床醫學診斷、?際交互、認知科學等眾多研究領域已經得到了?泛的應?，但由于腦電信號?分微弱，很容易受到各種噪聲（如眼電、?電、肌電、運動偽跡等）的?擾，因而對其降噪就格外重要。受南?科技?學?物醫學?程系劉泉影助理教授邀請，來?中國科學技術?學的陳勛教授于2020年5?29?晚，在騰訊會議平臺以專業的知識和?動的例?從4個層次介紹了受肌電信號污染的腦電信號降噪問題：簡要理論基礎（如獨?成分分析、聯合盲源分離等）、動機、在該?向上的若?新探索、總結與挑戰。   一、內容簡介 ? ? ? ?盲源分離（Blind Source Separation, BSS）[1,2]是腦電降噪領域非常“有價值且有效的?法”。在盲源分離應用于腦電去噪之前，對于腦電信號的降噪主要使?的是基于濾波器或者回歸思想的?法。但是這些傳統?法都或多或少存在?些難以回避的問題，?如需要測量各噪聲通道來得到參考信號等。與之相?，盲源分離?法的優勢在于其只需要測量信號?不需要參考信號，即能通過統計上的推斷將噪聲信號分離出來。 圖1.雞尾酒舞會問題（Cocktail Party Problem）示意圖 ? ? ? ? ?如上圖1所示，盲源分離技術源于雞尾酒舞會問題（Cocktail Party Problem）。即有?N個?同時在?個舞會?聊天（即圖中S, sources），同時有在舞會的周圍布置有N??克?，這些?克?也都同時在不同的?度記錄了舞會中所有?聲?混合之后的信號（即圖中?X, observations）。針對這個問題，盲源分離技術要實現的就是在沒有額外信息的基礎上，將N個?的聲?獨?地分離出來。該技術的實現原理是統計獨?性。例如上述問題中的N個?產?的N個聲?信號?般在分布、（?階）統計特性上是不同的，即是獨?的。但要注意的?點是，恢復后的信號（recovered sources）?般模式相同，但順序、幅值會發?變化，這是因為混合矩陣A是未知的。我們可以?圖2所示“公式”X=AS來表示這?關系，其中矩陣X, A, S與在?上述問題中的意義相同。 圖2.盲源分離（Blind Source Separation, BSS）的公式表示 ? ? ? ? ?對于腦電信號和其中各種噪聲分離的實現中使?盲源分離技術的思路由圖3所示。 圖3.?盲源分離技術在腦電及噪聲信號分離中的應?思路 ? ? ? ? ?之后，陳教授借由對帕?森病?的腦?絡分析項?介紹，進?步引出了聯合盲源分離（Joint Blind Source Separation, JBSS）技術[3]。在這個項?中使?聯合盲源分離的技術主要是為了實現對多個數據集同時進?盲源分離，并提取出其中具有共性的特征或模式。 ? ? ? ?如圖4所示，盲源分離技術只能夠實現在?個數據集中提取出多個不相關（或獨?）的數據組，?使?聯合盲源分離技術則在單個數據集中實現提取多個不相關（或獨?）數據組的前提下，橫向保證了不同數據集內對應類型的數據組（即圖中深淺不?但顏?相近的?塊）是相關聯的。? ? ? ? ?圖5則展示了在多個通道的腦電信號處理中應?聯合盲源分離技術之后的效果，其中前3?信號均具有相同的模式（例如第1?代表了腦電信號，第2?代表了?電信號等），第4?則是各個通道?有的特殊的模式。使?聯合盲源分離技術的意義在于，可以代替??“對?”各個通道分離之后信號的?作，特別是在通道數較多時更有其優勢。同時，因為聯合盲源分離考慮了“相同意義”數據組的相關性，所以對單通道的盲源分離也會因此有更?的準確度（即其增加了?個維度的信息，使得分解更為有效）。 圖4. 盲源分離與聯合盲源分離對?模式圖 圖5.聯合盲源分離技術在對多通道腦電信號分解時的例? ? 二、研究動機 ? ? ? ?陳教授簡要介紹了聯合盲源分離技術在兩類問題中的應?： 1.?在多模態（Multimodality）分析中的應?； 2. 在組分析（Group Analysis）中的應?。 ? ? ? ?在圖6所示的多模態分析任務中， 醫?可能已經測得了病?的sMRI、fMRI、SNP等信息，便可以使?聯合盲源分析技術對這些模態之間的關聯進?分析。例如，可以通過該?段分析出精神分裂癥患者的腦部在結構上有哪些缺陷，因此導致了怎樣的功能上的失常，同時這樣的結構缺陷?是由哪些基因位點所控制的。 圖6.?聯合盲源分離技術在多模態分析中的應?舉例 ? ? ? ? ?同時，在下圖7所示的組分析任務中，我們已知同?種疾病在不同?群中表現的形式和癥狀可能是“相似??不同”的，即其存在共性?在個體間存在獨特性。因此，在醫學上對于個體的分析有時候可能并沒有太?的意義，此時便需要進?組分析，以得到群體?平上相同或相似的?些特征。 ? ? ? ?接著，陳教授就聯合盲源分離的?標函數（Objective Functions）做了?定的闡述和分析。例如在圖8中展示的IC-PLS or Parallel ICA模型（?種獨?和相關同時優化的模型）的公式中，我們的?標便在于使得數據集之間是有關聯的，同時各個數據集內數據組是相互獨?的，其中權重w是可調的以使其能夠優化。基于此可以推導出適?于多模態分析和組分析的變形。 圖7. 聯合盲源分離技術在組分析中的應?舉例 圖8. IC-PLS 或 Parallel ICA模型的?標函數 ? 三、近期進展 ? ? ? ?在這一部分中，陳教授先介紹了目前同樣廣泛運用的一種盲源分離方法：典型相關分析（Canonical Correlation Analysis，CCA），接著介紹了他近年在腦電信號去噪方面研究的一些進展，從獨立向量分析開始，再到單通道分析和少通道分析，之后再將這兩個方法運用到多通道分析。 ? ? ? ?多通道的盲源分離方法除了ICA以外還有典型相關分析(Canonical Correlation Analysis, CCA)，不同于ICA假設不同來源的信號相獨立，CCA通過利用腦電的自相關系數比肌電大這一特性將腦電與肌電分開。仿真結果顯示（下圖9） CCA相對ICA及其他濾波器效果更好[4]。 圖9. CCA去噪仿真結果 ? ? ? ? ?ICA雖然已經可以較好地完成腦電的去噪任務但在處理復雜肌電噪聲的時候面臨一些問題。陳教授也著眼于ICA的改進，通過保留ICA的獨立性并且借鑒了CCA的自相關性，構建了一個聯合盲源分離方法（下圖11）：獨立向量分析(Independent Vector Analysis, IVA) , 該方法通過對數據進行k次延時獲得k個數據集，以利用數據集之間的依賴信息使數據集之間的對應源相互依賴（CCA），而在每個數據集中利用信息論的相關準則（下圖10）把源分解為相互獨立的部分（ICA）[5]。 圖10. 互信息 圖11. IVA方法模式圖 圖12.?肌電噪聲信號模擬 ? ? ? ? ?在驗證IVA的去噪能力時，陳教授混合四種不同的肌電信號（上圖12）并與干凈的腦電信號疊加，以定量分析算法的去噪能力，最后發現無論是頻域還是時域的，以及相關性上，IVA都優于CCA和ICA，尤其是在污染嚴重的情況下，見下圖13。 圖13.?IVA去噪仿真結果 ? ? ? ? ?接下來陳教授嘗試使用IVA算法對癲癇患者的腦電信號進行了降噪，該信號被肌電嚴重干擾，但是IVA算法也取得了很好的效果（圖14）從圖中可以看出IVA相比ICA和CCA既在高頻段有效壓制高頻肌電信號，又沒有在低頻段（即有效腦電信號波段）破壞腦電信號。 圖14.?癲癇信號降噪頻率圖 ? ? ? ? ?隨著科技的不斷發展，醫療系統有著從傳統的以醫院為中心向以手機為基礎的方向發展的趨勢。在這樣的一個趨勢下，腦電采集設備的體積也越來越小，甚至有些設備只有一個通道，而此時傳統的多通道方法無法應用，那該如何只從一個通道去除噪聲信號呢？ 圖15.?單通道降噪架構圖 ? ? ? ? ?陳教授設計了一個構架（圖15），先將單通道通過小波變換、經驗模式分解（Empirical?Mode?Decomposition，?EMD）、奇異譜分解等方式將其分解為多通道信號，再采用BSS方法對其進行降噪后進行重建。通過仿真實驗（圖16），我們可以看到雖然在污染較為嚴重的地方不是特別完美，但也有著不錯的效果[6]。 圖16. 單通道降噪仿真結果 ? ? ? ? ?接下來陳教授又研究了單通道聯合盲信號分離時，延時的次數（也就是數據集個數）與降噪性能的關系。雖然理論上延時的次數越多降噪的效果越好，但研究發現：當延時次數為三次或者三次以上（也就是有三個或三個以上的數據集）時，性能就比較穩定了（圖17）。 圖17.?延時次數與降噪能力的關系 ? ? ? ? ?既然已經做出來了單通道降噪方法，那將它引入多通道降噪會不會讓產生比傳統的多通道降噪更好的效果呢？ ? ? ? ?理論上多通道包含著更多的信息，也意味著具有更好的去噪效果。這種猜想對EOG、ECG和運動偽跡可能是對的，它們的模式相對簡單。 然而，考慮到肌肉偽跡噪聲源比較多的特點，腦電圖通道的增加很可能意味著肌電來源的復雜性也增加了。在這種情況下，多通道技術可能會失去其固有的優勢。在進行仿真后發現單通道降噪（EEMD-CCA）相比多通道降噪（CCA）確實有更好的效果（下圖18）[7]。 圖18. EEMD-CCA與CCA的降噪能力仿真檢驗 圖19.?適用于不同通道數的統一降噪架構 ? ? ? ? ?因為單通道降噪相對多通道降噪有著更好的效果，陳教授以此為基礎設計了一種統一的架構（EEMD-CCA）（上圖19），無論是單通道、多通道還是少通道，都能進行降噪處理并取得不錯的效果。通過定量分析（下圖20）我們可以看出該架構相對于傳統的ICA和CCA在19通道、9通道、5通道時都能取得更好的效果?[8]。 圖20.適用于不同通道數的統一降噪架構降噪模擬結果 圖21.?MEMD-CCA架構 ? ? ? ? ?未來多數商業化的便攜式腦電圖設備可能都是少量通道設計，如2至8通道。此時如果單純使用多通道BSS方法性能會比較有限。單通道方法也可以以逐通道的方式應用，但是沒有考慮到通道間的相關性。陳教授針對這一需求設計出了一種基于多通道EMD（MEMD）和CCA的新架構（上圖21），相比于之前通過EEMD對每一個通道單獨分解，MEMD將所有通道一起分解，利用不同通道相同的頻率成分，分解更為精確。 在定量測試中，無論是全仿真（simulated）還是半仿真（Semi- simulated），MEMD-CCA相對于其他分解方法都能取得更好的效果（下圖22）（詳細信息見陳教授的論文[9]）。 圖22.?MEMD-CCA仿真結果 ? ? ? ? ?接下來陳教授又將少通道的降噪方法用于多通道去噪，將空間上相近的幾個通道劃為一組，充分利用近鄰直接的相關性，對每一組使用MEMD進行聯合分解，最終通過仿真驗證（下圖23）證明了MEMD-CCA相對于CCA有著更好的效果[10]。 圖23.?MEMD-CCA用于多通道降噪仿真結果 ? ? ? ? ?陳教授的降噪架構也在實際運用中獲得了良好的效果。Prof. Daniel Ferris采用了EEMD-CCA方法作為重要的工具，從高密度腦電圖記錄中去除重肌電噪聲，從而找到平衡學習背后的潛在機制。Prof. Jung的小組在他們的少通道移動BCI系統中采用了MEMD-CCA方法來去除肌肉活動，提高了分類的準確性。 ? ? ? ? ?本次講座，陳教授在Joint BSS的基礎上，探討了多通道、單通道和少通道三種通道構型以及它們之間的關系。 ? ? ? ?在不同的應用中，肌肉偽影可能有非常不同的特征，例如在睡眠、腦磁刺激、電刺激、癲癇、腦電圖-功能磁共振成像中，肌肉源數量、污染程度、可用信道數、時間樣本數量、放電的肌組織都不一樣，而相應降噪方法都會有所差別，需要研究者結合不同的引用來設計不同的方法。陳教授建議大家如果想要在這方面更進一步的話可以從降噪的深度（開發新方法，如欠定、動態、非線性）和廣度（探索一種混合的、循序漸進的方式來結合多種方法的優點）入手。 ? ? ? ?陳教授也在2019年寫了一篇Review（Removal of Muscle Artifacts From the EEG: A Review and Recommendations [11]），包含了近幾年腦電中肌電的降噪工作。 ? ? ? ?本文的最后，陳教授送給各位研究者的降噪大禮包，因為在不同應用條件下噪聲的情況是多種多樣的，沒有一種方法能適合所有情況，陳教授開發了一個免費的工具箱（ReMAE），鼓勵腦電圖研究人員和臨床工作人員廣泛研究各種應用中的各種方法。（下圖24）。 圖24. ReMAE工具箱 ? ? 如何下載降噪工具包？ 請訪問鏈接:? http://staff.ustc.edu.cn/~xunchen/resource.htm ? ? ? ?要獲得工具箱包，請下載網站內的許可協議。將其打印、簽署、掃描并通過電子郵件發送至xunchen@ustc.edu.cn，郵件主題為“ReMAE使用請求”。請使用您所在機構的電子郵件發送申請，并在電子郵件中說明您的職位、您所在的機構以及研究目的。收到后，下載工具箱的鏈接會被發送到您的機構電子郵件。 ? ? 參考文獻： 1. Martin J. Mckeown, Scott Makeig, Greg G. Brown, et al. Analysis of FMRI Data by Blind Separation into Independent Spatial Components[J]. Human Brain Mapping, 1998, 6(3):160-188. 2. Jung T P , Makeig S , Humphries C , et al. Removing electroencephalographic artifacts by blind source separation[J]. psychophysiology, 2000, 37(2):163-178. 3. Chen X , Wang Z J , Mckeown M J . A Three-Step Multimodal Analysis Framework for Modeling Corticomuscular Activity With Application to Parkinson’s Disease[J]. IEEE Journal of Biomedical & Health Informatics, 2014, 18(4):1232-1241. Clercq W D , Vergult A , Vanrumste B , et al. Canonical Correlation Analysis Applied to Remove Muscle Artifacts From the Electroencephalogram[J]. IEEE Transactions on Biomedical Engineering, 2006, 53(12):2583-2587. 4. Chen X, Peng H, Yu F, et al. Independent Vector Analysis Applied to Remove Muscle Artifacts in EEG Data[J]. IEEE Transactions on Instrumentation and Measurement, 2017:1-10. 5. Chen X, Liu A, Peng H, et al. A Preliminary Study of Muscular Artifact Cancellation in Single-Channel EEG[J]. Sensors, 2014, 14(10):18370-18389. 6. Chen X, Liu A, Chiang J, et al. Removing Muscle Artifacts From EEG Data: Multichannel or Single-Channel Techniques?[J]. IEEE Sensors Journal, 2016, 16(7):1986-1997. 7. Chen X, Chen Q, Zhang Y, et al. A Novel EEMD-CCA Approach to Removing Muscle Artifacts for Pervasive EEG[J]. IEEE Sensors Journal, 2018:1-1. 8. Chen X, Xu X, Liu A, et al. The Use of Multivariate EMD and CCA for Denoising Muscle Artifacts From Few-Channel EEG Recordings[J]. IEEE Transactions on Instrumentation and Measurement, 2018, 67(2):359-370. 9. Xu X, Liu A, Chen X. A novel few-channel strategy for removing muscle artifacts from multichannel EEG data[C]// IEEE Global Conference on Signal & Information Processing. IEEE, 2017. 10. Chen X, Xu X, Liu A, et al. Removal of Muscle Artifacts From the EEG: A Review and Recommendations[J]. IEEE sensors journal, 2019, 19(14):5353-5368. 11. Chen X, Xu X, Liu A, et al. Removal of Muscle Artifacts From the EEG: A Review and Recommendations[J]. IEEE sensors journal, 2019, 19(14):5353-5368. ? 文中所有圖片均來自陳勛教授網上講座的屏幕截圖。 ? ? 本文作者：NCC lab李哲汭，張皓銘

? ? ? ?南方科技大學生物醫學工程系張明明助理教授研究團隊2019級博士研究生鐘斌在機器人工程領域旗艦期刊IEEE Transactions on Automation Science and Engineering（IF=5.293）上發表最新研究成果，該研究提出了一種基于滑模控制策略的下肢外骨骼關節位置及柔性同步控制算法，適用于人造氣動肌肉驅動的康復設備，實現了按需輔助的柔順控制提升了康復的效果。 ? ? ? ?按需輔助策略能夠顯著提升患者在機器人輔助康復過程的積極性從而提升康復效果，同時人機交互的安全性是所有康復設備的首要考慮因素。人造氣動肌肉其獨特的柔性使得它可以作為康復設備驅動器的良好選擇，而氣動肌肉自身固有的非線性特點也使得構建精確的數學模型極具挑戰。該研究提出了一種采用人造肌肉的平均壓力作為反饋來評估患者的實時參與程度，并同步實現關節位置控制和關節柔性控制。關節的柔性及輔助力大小通過反饋評估進行實時調節，最終實現按需輔助的康復策略。驗證實驗一共12受試者參加，實驗結果表明，系統在該算法下能夠以較小的誤差跟隨下肢關節的運動，同時評估受試者的參與程度進行輔助力調節。該研究結果對人造氣動肌肉在康復設備中的廣泛應用具有重要意義。 ? ? ? ?The comparison between the desired and actual gait trajectories of the two actuated joints during the validation experiments. The trajectories have been normalized to one gait cycle. The red lines are the predefined reference gait trajectory. The blue lines represent the average gait trajectories over the experimental period. The shaded area stands for the standard deviations of the average trajectories over the recorded gait cycles. Subplots (a, c, e, g) are the trajectories of the knee joint and subplots (b, d, f, h) are for the hip joint. The subplots in the top, second, third and bottom rows are for experiments with desired average antagonistic PM pressures 160, 240, 320 and 400 KPa respectively. ? ? ? ? ?南科大2019級博士生鐘斌為本文第一作者，張明明助理教授為通訊作者，南科大為第一單位和通訊單位。該研究獲得了國家自然科學基金、廣東省自然基金和廣東省普通高校青年創新人才項目的資助。   供稿：鐘斌

? ? ? ?2020年5月22日上午9：00南方科技大學生物醫學工程系內部審計進點會議在臺州樓323會議室順利舉行，會議由紀檢監察室（審計法務室）張永寧副主任主持，紀檢監察室（審計法務室）主任潘景輝、成員管馨、審計組成員（深圳正先會計師事務所）項目負責人于莉、黃子玥、賴麗蓉、生物醫學工程系系主任蔣興宇及多名生物醫學工程系職工代表出席會議。 ? ? ? ?潘永輝主任表示，內部審計進點工作是學校每年例行的一個工作，同時也是一個學校各單位之間學習交流的機會。今年我校需要接受審計的單位共有十三個，希望大家能積極配合，加強協調，按要求完成審計工作。今年也是我校建校第十周年，我校自建校以來一直處于蓬勃發展中，當然還有很多需要建立健全制度體系發展的地方，通過內部審計工作，我們從客觀事實的角度去發現問題并解決問題，形成良性的工作機制，希望接受審計的單位一定要跟紀檢監察室和事務所的同事加強溝通，認真核實每一項需要接受審計的事項，共同推進學校審計工作進展。 ? ? ? ?張永寧副主任對審計內容和具體事項進行了簡要說明，介紹了在接下來的現場審記工作中將主要核查到院系近年來的的財務收支情況，涉及預算、收支、資產、采購、合同、勞務費、科研經費和基建工程相關等多項事務，并出具詳細審計報告，院系層面要協助做到各方面細節表述準確清晰，并根據審計報告積極進行問題整改。 ? ? ? ?系主任蔣興宇老師對我系基本情況作了簡要介紹，并表示，使用納稅人的錢進行教學科研工作并接受審計是我們應盡的職責和義務，我們全系職工一定會全力配合，感謝審計部門幫我們一起發現問題、解決問題。審計工作的進行是為了今后進一步規范合理使用經費，同時內部審計也是一個幫助我們教職工學習和了解國家經費財務制度管理的一個很好的機會。在接下來的工作中我們一定多和審計組的同事們多請教多溝通。 ? ? ? ?據悉，根據《審計署關于內部審計工作的規定》第十二條及學校年度審計工作計劃，我校紀檢監察室（審計法務室）委托深圳正先會計自2020年5月18日起對我系2017-2019年度財務收支及內部控制情況進行審計。   供稿：張藝真

? ? ? ?受南方科技大學生物醫學工程系劉泉影助理教授邀請，來自清華大學計算機系胡曉林副教授（http://www.xlhu.cn/）于騰訊會議平臺在線講座，通過深度學習模型對腦的視聽覺環路建立計算模型這兩個案例，闡釋了：1）利用層次化結構的深度學習計算模型能夠很好地展現視覺、聽覺的高層皮層神經元的功能特點，2）神經元的稀疏發放與神經元表征的分層特異性密不可分。同時，本講座還回顧了腦智能（Brain Intelligence）和 人工智能（Artificial intelligence）之間是如何相互促進發展的。   一、腦智能(BI)和人工智能(AI) ? ? ? ?不管是Werbos 和?Rumelhrat 等人，在80年代從McCulloch, Pitts和Rosennblatt等人的基礎上提出的多層感知機和反向傳播算法（Back-Propogation, BP），還是LeCun在1989年基于Fukushima和Wiesel的工作，結合BP提出的卷積神經網絡（CNN），都離不開腦科學的指引。因為在1943年McCulloch 和Pitts提出閾值邏輯單元；Wiesel 等人在50年代末，在貓上做的一個實驗，發現了簡單細胞和復雜細胞，隨后Fukushima在這個發現基礎上提出了認知機（Neocognitron），最先出發點都是為了揭示大腦的工作原理。后來發現這些模型在工程上有很重要的應用價值，所以人工智能的發展是和腦科學有密切相關的（見圖1）。 圖1：腦智能與人工智能雙線發展歷程   二、從深度學習的角度看大腦 ? ? ? ?視聽覺系統的結構都是層級化的結構，這個和深度學習計算模型的結構是一致的（見圖2）。雖然兩者之間有一些顯著的差別（例如在視覺系統廣泛存在反饋（Feedback）和循環（Recurrent）的機制，在深度學習計算模型尚沒有廣泛被應用），但是這兩者整體都是層次化的結構，這樣我們可以研究兩個系統之間的聯系與相同之處。 圖2:?視覺環路，聽覺環路，人工神經網絡（從左到右） ? 三、視覺通路和人工神經網絡 ? ? ? ?MIT的James Dicarlo早期的工作中，通過比較發現：視覺環路和人工神經網絡在高層的神經元有比較一致的發放（firing）。這個工作證明了，這兩個系統，在這種層級的聯系下具有一定的聯系。Freeman等人通過給一些圖片刺激發現，V1的神經元對這些圖片特異性不大，而V2的神經元對這些圖片有一定的特異性。Okazawa 等人發現在V4的神經元也會對這些圖片有一定的特異性。 ? ? ? ?為了研究到底是什么導致了v2和V4的神經元對這些圖片有一定的特異性，而v1的神經元對這些圖片的特異性不大，只有通過計算模型來解釋視覺環路中的機制。傳統的計算模型都是單層模型，很難去解釋環路上多層級上神經元的特異性，因而深度學習計算模型一個很好的選擇。因為他是一個層級化的模型，可以對比不同層級的神經元反應。 ? ? ? ?具體做法如下： ? ? ? ?首先，通過算法在原圖片基礎上合成光譜匹配噪聲圖片（Spectrally matched noise images，SM）和自然紋理圖片?（Naturalistic texture images，NT）（見圖3A），這里的SM圖片的光譜的原圖片是一樣的，NT 圖片具有和原圖有很高的高階統計特性。 其次，分別把原圖，SM，NT圖片輸入到一個深度學習計算模型（見圖3B），記錄低層級和高層級的人工神經元的反應。類似在神經科學里面做生理實驗，把這個計算模型看作一個小白鼠，給它看圖片。這樣的一個好處就是所有的人工神經元都可以記錄，而小白鼠只能記錄部分的真實神經元。此外，通過正則化的系數來調控神經元發放的稀疏性，從而研究稀疏性對層級特異性的影響。 ? ? ? ?最后，定義一個?Modulation Index（MI）（見圖3 ）指標來衡量神經元對NT圖片的特異性，基于MI指標來量化各層級神經元的特異性。 圖3：? A. 原始，SM 和 NT圖片，B 視覺深度學習計算模型 ? ? ? ?實驗結果發現：在Pretrained 的VGG和Alexnet（有監督模型）做了實驗發現，從計算模型的低層級到高層級的神經元的MI是一個上升的趨勢，單個的神經元的MI在低層級基本也是沒有特異性的，在高層級的神經元是有一定的特異性的（見圖4）。前面的計算模型是有監督的，但類似的結果也在SHMAX（無監督模型）計算模型上得到驗證。 圖4 :?MI在視覺深度學習計算模型的各層級的MI?和層級單神經元的MI值 ? ? ? ?視覺環路與深度學習計算模型的聯系，總結如下： 1. 深度學習計算模型層級神經元的特異性和真實視覺環路有較好的對應得益于深度學習計算模型的層級化結構 2. 深度學習計算模型層級神經元的特異性與有監督和無監督學習無關 3. 深度學習計算模型隨著層級越高，所對應層級的神經元的特異性越顯著 4. 深度學習計算模型的層級稀疏性(sparsity?)越強，所對應層級的神經元的特異性越顯著   四、聽覺環路和人工神經網絡 ? ? ? ?聽覺環路也是一個層級結構（見圖5），聲音從耳蝸（Cochlea）傳到下丘（IC）再到聽覺皮層。一共6層，不同層級的神經元的反應特異性性不一樣。De Boer和de Jongh等人發現耳蝸對聲音有不同波長的處理?；Lesica和Grothe等人發現在下丘的神經元對某些聲音有抑制和興奮；，Mesgarani等人發現在聽覺皮層的神經元會對輔音，元音，鼻音有一定的特異性。 圖5: 聽覺環路 ? ? ? ?為什么在不同層級的神經元有不同的特異性呢？ ? ? ? ?類似于深度學習計算模型在視覺環路的研究，胡教授利用深度學習計算模型來研究聽覺環路，建立了聽覺稀疏發放計算模型（見圖6），把聲音輸入經過耳蝸過濾得到的stimuli 作為計算模型的輸入，就可以得到聽覺皮層的神經元對聲音的特異性。 圖6:?視覺深度學習計算模型 ? ? ? ?研究發現，視覺深度學習計算模型的Layer S2的神經元和貓的下丘神經元的統計特性很一致（見圖7），聽覺深度學習計算模型的Layer C6（見圖8）的神經元也會對輔音，元音，鼻音有一定的特異性，與貓的更高級的聽覺皮層類似。 圖7: 聽覺深度學習計算模型 S2層的神經元和貓下丘的神經元的統計結果 圖8:?聽覺深度學習計算模型 C6層神經元的F-Ratio ? ? ? ?聽覺環路與深度學習計算模型的聯系，總結： 1. 深度學習計算模型高層級神經元能夠展示視聽覺皮層的高階區域的神經元的特異性。 2. 稀疏編碼對塑造神經元的反應有非常重要的意義。 3. 深度學習計算模型層級人工神經元和真實的生物系統神經元長的太不一致了，只是在抽象上是有相類似的層級化結構，并不能用深度學習計算模型做一些細致的神經科學研究工作。   參考文獻： Chengxu Zhuang, Yulong Wang, Daniel Yamins,?Xiaolin Hu*, “Deep learning predicts a correlation between a functional signature of higher visual areas and sparse firing of neurons,” Frontiers in Computational Neuroscience, 2017. Doi: 10.3389/fncom.2017.00100 Qingtian Zhang,?Xiaolin Hu*, Bo Hong, Bo Zhang, “A hierarchical sparse coding model predicts acoustic feature encoding in both auditory midbrain and cortex,” PLOS Computational Biology, 15(2): e1006766, 2019.   胡曉林老師的talk視頻已經上傳B站。如有興趣可點擊下方鏈接觀看完整的報告視頻： https://www.bilibili.com/video/BV1q5411473N/ 注：本文的描述如有跟視頻內容不符之處，以胡老師的talk視頻為準。     本文作者：冉旭明 視頻錄制：王正旸 校對：劉泉影

? ? ? ?近日，南方科技大學生物醫學工程系副教授李凱課題組在小分子光熱劑的機制研究及其在協同HSP70抑制策略的低溫光熱治療的應用取得最新進展。研究成果以“Photoinduced Nonadiabatic Decay-guided Molecular Motor Triggers Effective Photothermal Conversion for Hyperthermia Cancer Therapy”為題發表于化學類國際頂尖期刊《德國應用化學》(Angewandte Chemie International Edition)。 ? ? ? ?光熱療法（PTT）已成為癌癥治療的重要研究方向，然而目前傳統的PTT面臨諸多局限，比如無機/有機光熱劑（photothermal agents, PTA）合成復雜、激光功率密度依賴較高、高溫PTT易造成正常組織損傷等副作用。因此，開發新型光熱劑介導的低溫（43℃）PTT策略具有重要意義。在本項工作中，課題組合理地設計出一種基于光誘導非絕熱衰退（PIND）效應的新型有機小分子，并利用Apoptozole（Apo）對細胞熱損傷修復蛋白HSP70的表達抑制作用，實現了808 nm激光器低功率密度下的43℃高效PTT腫瘤治療。 圖1.光誘導非絕熱衰退（PIND）型有機小分子的光物理性質及其工作原理。 ? ? ? ?生物醫學工程系、前沿與交叉科學研究院研究副教授倪偵翔介紹，此次研制的新型有機小分子是一種亞胺基分子馬達，該類亞胺基分子馬達在受到激光照射而躍遷到激發態時，會受到較強的分子內扭曲電荷轉移（TICT）效應的影響，這種影響有助于其通過圓錐交叉（CI）過程，以非輻射衰退的方式釋放能量回到基態，而此過程可被視為一種光誘導非絕熱衰退（PIND）現象。相較于商業化探針ICG，該類激發態分子幾乎無熒光的釋放，因此能更完善地將光能轉換成熱能，實現高達90%的光熱轉換效率。 圖2. C6TI/Apo-Tat NPs介導的低溫PTT腫瘤治療。(a) 808nm激光器（0.5 W cm-2）照射小鼠腫瘤部位隨時間變化的溫度曲線圖；(b) 不同治療組腫瘤大小隨時間變化的腫瘤生長曲線；(c) 不同治療組第14天解剖所得腫瘤照片；(d) 原位腫瘤組織切片的HSP70免疫組化和TUNEL染色分析，標尺= 100?μm。 ? ? ? ? ?在動物實驗方面，課題組通過納米沉淀法和細胞穿膜肽的表面修飾，構建出熱響應腫瘤細胞遞送系統，并且以裸鼠的4T1皮下移植瘤作為腫瘤模型，研究C6TI/Apo-Tat 納米微粒介導的低溫PTT腫瘤治療效果。如圖2a所示，小鼠尾靜脈注射C6TI/Apo-Tat 8小時后，使用808 nm激光器（0.5 W cm-2）照射小鼠，腫瘤部位快速升溫至43℃，并達到平臺期保持穩定。以此功率分別進行C6TI/Apo-Tat和C6TI-Tat介導的PTT腫瘤治療，結果顯示C6TI/Apo-Tat對腫瘤的治療效果顯著優于C6TI-Tat，且C6TI/Apo-Tat治療組腫瘤復發明顯低于C6TI-Tat治療組（圖2b、2c）。通過對兩個治療組原位腫瘤組織切片HSP70免疫和TUNEL組化染色分析（圖2d），課題組發現熱觸發釋放的Apo可有效抑制腫瘤部位細胞熱損傷修復蛋白HSP70的表達，導致C6TI/Apo-Tat介導的低溫PTT腫瘤細胞凋亡率顯著高于C6TI-Tat治療組，證明了該聯合治療策略的有效性。因此，本研究開發出新型高效光熱轉換分子馬達，避免了傳統光熱劑需要引用長烷基鏈或復雜取代基的合成方式，結合對熱損傷修復蛋白HSP70表達的抑制機理，有效突破了傳統高溫PTT治療的局限性，為小分子高效光熱劑的開發提供了新思路。 ? ? ? ?南方科技大學為論文第一通訊單位，倪偵翔為論文第一作者，李凱為唯一通訊作者，課題組成員楊光、康天懌、查夢蕾、李迓曦等為共同作者。研究得到國家自然科學基金及深圳市基礎研究計劃等項目的資助。   論文鏈接： https://www.onlinelibrary.wiley.com/doi/10.1002/anie.202002516     供稿：生物醫學工程系 通訊員：肖然 編輯：吳一敏 主圖設計：丘妍

? ? ? ?受南方科技大學生物醫學工程系邀請，來自中國科學院心理研究所的伍海燕副研究員于騰訊會議平臺以專業又不失幽默的方式通過最近的研究案例闡釋了突發公共衛生安全事件（如，新冠肺炎）下產生的焦慮等心理反應。此類問題相關的研究角度多樣，例如心理理論、社會影響、文化影響，情緒因素等，也包括決策的計算模型等定量研究。研究方法則主要涉及在線實驗，腦刺激，腦影像處理和EEG-fMRI同步技術等。 ? ? ? ?圍繞著“焦慮”這一核心主題，本報告對以下三個具體的研究案例進行了生動的介紹：1）焦慮、共情與親社會行為；2）焦慮、隔離與好奇心；3）焦慮、隔離與生命意義感。   一、疼痛共情與親社會行為與疫情爆發的影響關系 ? ? ? ?首先，簡單介紹幾個共情研究的例子。如下圖所示，圖a研究了觀看他人聞令人厭惡氣味的視頻與自己聞令人厭惡的氣味的腦激活對比圖。腦激活對比中可以看出兩種條件有相似的腦激活。圖b是客觀觀察他人肢體觸摸的視頻和主觀體驗被觸摸兩種條件下的腦激活對比，可以看出在客觀條件下，被試腦激活也與主觀體驗條件類似。圖c是人自身感知疼痛相比于感知同伴的疼痛的共情腦區激活特征。圖d是女性觀看對她公平的被試接受疼痛刺激時激活共情相關腦區。圖e 觀看潛在產生疼痛的圖片刺激激活共情相關腦區。圖f是面部表情為中性和疼痛反應的腦區激活共情腦區。圖g 是看手被針扎產生共情。 圖1 共情研究示例 ? ? ? ?那么災難的發生是否會導致親社會行為增加呢？COVID-19從爆發至今也有幾個月的時間了，人們是否會由于長期接觸和接受災難信息而產生共情疲勞呢？ ? ? ? ?關于這個兩個問題的解答，有兩種相反的背景理論作為假設支持，分別是心理臺風眼效應與漣漪效應。針對COVID-19疫情，以武漢為起點，考慮被試距武漢的距離及其共情能力之間的關系，并作出如下假設：1）隨著COVID-19的突發，共情導致的親社會意愿（疼痛分享意愿）會在疫情期間降低，并且這種親社會意愿的轉變會被共情的水平顯著調控，表現為對疼痛表現者的評分降低。2）過度暴露于多種信息可能會影響共情。3）疫情爆發所產生的焦慮對共情和親社會行為的影響可能受到距疫情中央地區的距離影響。   心理臺風眼效應： 心理臺風眼效應來自早期心理所李紓研究員在汶川地震發生時的相關心理學研究。發現越靠近汶川的居民，對汶川地震災難事件表現的反而越平靜。而距離汶川越遠的民眾的焦慮和擔憂反而更多。 漣漪效應： 漣漪效應較為傳統，認為風險中心區的群體風險知覺水平最高，隨著風險事件的影響一圈一圈的向外擴散，非風險中心區個體的風險知覺水平將逐漸下降。 ? ? ? ? ?第一批實驗材料在2019年11月份制作和投放，采集了520名控制組數據收集數據。當時雖然未能預期疫情的發生，但是從數據構成的角度剛好可以被用到此研究中。疫情期間的實驗材料同樣是以網絡實驗的方式與2020年2月23號至2月24號期間采集。2019年的實驗材料來自電擊實驗（此實驗已經倫理審核通過，電流不會造成安全隱患，但能引發疼痛感）。被試在攝像頭前描述自身對這些電擊所引發的主觀感受。這些材料與被試謊稱被電擊的描述視頻混合并經過篩選（篩選出可被猜中撒謊或真實描述的概率為隨機水平）后被在線投放。并在2020年2月23-24日重新采集了570名被試疫情期間數據。 圖2 研究一的實驗流程 ? ? ? ?以一個視頻為例，報告中與觀眾互動發現，觀眾對視頻判斷也在隨機水平，不過有意思的是，在伍老師公布了視頻是經過50%準確性后，觀眾朋友們多判斷為假。被試看完視頻后，需要做四種反應。 1.這個人是否真實的遭到了點擊？（真/假）； 2.共情水平：請你判斷你覺得這個人被電擊時候的疼痛程度？（1完全不疼~7非常疼痛）； 3.替代性體驗：請你判斷你在觀看這個人視頻時候自己的疼痛程度？（1完全不疼~7非常疼痛）； 4.親社會意愿：請你判斷，如果可能的話，你在多大程度上愿意幫助這個人減輕疼痛？（1完全不愿意~7非常愿意） ? ? ? ?經過分析發現，在IRI量表分數和視頻評價的三個水平上（共情水平，替代性體驗和親社會意愿）均有顯著性差異。其中在共情關心、觀點采擇和想象角度，疫情時相比疫情前有顯著降低。但在個人悲傷角度，疫情后相比疫情前顯著升高。并且疫情后，相比疫情前被試的共情水平，替代性體驗和親社會意愿均有所下降。 ? ? ? ?這項研究提出疫情發生與共情水平和親社會意愿間存在中介效應。即在疫情發生前，共情水平與親社會意愿的相關性高于疫情發生后兩者的相關性程度。另外對于疫情發生后，被試的狀態焦慮與特征共情，共情水平和親社會行為間關系的假設模型如下圖： 圖3 共情水平的中介效應 ? ? ? ?狀態焦慮與特質共情的關系可能是受到武漢距離調控的。即在強焦慮狀態下的被試中，距離武漢越近的被試的特質共情越低。 圖4 新聞辨別力的抑制作用 ? ? ? ?除此之外，新聞的辨別力在狀態焦慮與特質共情關系上有負向抑制作用。在疫情爆發后，人們對鋪天蓋地的新聞感到困惑，并且對特質共情產生了消極影響。 ? ? ? ?在武漢解封后，重新采集了一批數據以作為模型的驗證。加入新的數據后，發現在真假判斷上，疫情發生的時間條件不存在差異。但是在解封后，特質共情持續下降，觀點采擇和想象有所回升，個人悲傷水平在解封后有所降低。 ? ? ? ?在解封之后，共情水平、替代性體驗和親社會意愿水平仍較低。同樣的狀態焦慮和特征焦慮均在解封后有顯著下降。   研究結論： 1. 疫情發生使得人的親社會意愿下降。可能的原因是：從共情水平和特質共情水平的下降可以推論，被試可能產生共情疲勞。 2. 狀態焦慮能負向影響特質共情，并且它們的關系是受到離武漢的距離這一變量調節（越接近武漢的居民的特質共情受到疫情的影響越嚴重）。這一點可以用漣漪效應解釋。   二、傳染病爆發時的焦慮誘發抑制了好奇心 ? ? ? ?疫情發生后，人們對周邊事物的好奇心減弱了嗎？疫情產生的焦慮是否會抑制人的好奇心呢？心理學對好奇心的研究可以追溯到1890年，William James提出“好奇心除了是一種被環境的純粹新奇性喚起和刺激的敏感性，也是一種直接作用于特定信息的科學好奇心”。至今較為廣泛接受的定義是Grossnickle在2016年提出的“個體在經歷或尋找某個對照性變量時，對知識或信息的渴望，并伴隨著積極的情緒、強烈的喚醒或探索性的行為”。 表1 心理學者的好奇心研究觀點 ? ? ? ?受疫情影響，自我隔離、增加社交距離等防控措施在全世界范圍內普遍實施。據此，從焦慮和好奇心的角度出發，可提出以下問題：1）疫情期間的焦慮和自我隔離等措施，如何影響人們對事物的好奇心？2）增加社交距離對自閉、社交焦慮的影響如何？3）自閉的特質如何調節焦慮對好奇心的影響？ ? ? ? ?在疫情發生期間，伍老師在線進行探索性研究，收集了570例被試的數據，收集了有關自閉、狀態特質焦慮、好奇心和探索性、知識性好奇等量表和COVID-19相關問題。在3月13號，收集了500名中國被試的模糊任務、社交焦慮、人際好奇心、隔離問卷等相關測評。與此同時，收集了200名美國被試基于同樣問卷的數據，旨在進行跨國家、跨文化對比。 圖5 研究二的實驗流程 ? 圖6 Blurred Task任務示例 ? ? ? ?在第一個階段，被試需要猜測模糊背景下的圖片內容，并在對話框中填寫。在第二階段，提問被試是否想要知道圖片內容（1表示無好奇~5表示非常好奇）。第三階段有兩種條件，分別為提供答案和不提供答案。在提供答案的條件下，讓被試評價對圖片的驚訝程度（1不驚訝~5非常驚訝）。在不提供答案的條件下，提示被試此問題不提供答案，請評價你的失望程度（1不失望~5非常失望） 圖7 社會距離對知覺好奇心的中介效應 ? ? ? ?那么結果顯而易見，在疫情下產生的焦慮的確影響知覺好奇心。受隔離的社交距離中介調節。同時人自閉屬性也會調節人際好奇心。人的自閉屬性越高，越對他人不感興趣。 圖8 中美知識好奇心對比 ? ? ? ?結果發現，越高水平的社交焦慮能夠預測更低水平的人際好奇。在自閉屬性上，隨著自閉屬性的增加，人際好奇呈現增加趨勢。隨著特質焦慮的增加人的特質好奇水平會降低，但是對于知識的好奇心不會隨著狀態焦慮的變化而變化。 研究結論 1.狀態焦慮對知覺好奇心有負性影響。這一關系也受到社交隔離的影響。 2.狀態焦慮對人際好奇有正性影響，在社交隔離狀態下，人們的人際好奇心會增加，這一點受到自閉傾向的影響。 3.特質焦慮對特質好奇心有顯著的負向預測作用，特質/狀態焦慮對知識認知好奇無顯著影響。   三、疫情之下的生命意義感、焦慮和抑郁的關系 ? ? ? ?本研究調查分別在三種角度開展。首先對人生期望角度做了四個維度的測量。其次在重要性和代價角度做了四個維度的測量。第三，完成某體驗對生命長度上的代價。初步分析結果發現人評定自我成功的重要性和人對普通體驗的重要性角度有一些有趣的結果，有可能預測生命意義感的尋求。 ? ? ? ?這一部分結果還在分析過程中，但是有一些初步結果可以匯報給大家。初步分析結果發現人評定自我成功的重要性和人對普通體驗的重要性角度有一些有趣的結果，有可能預測生命意義感的尋求。但是，以金錢換取體驗的相關實驗發現：年長者似乎更不愿意為不平凡的體驗和自我成功的體驗買單。在較高抑郁分數的被試數據中發現，他們似乎更愿意為了個人的成功付出更多金錢和壽命，并且將平凡和不平凡的生命體驗都看的十分重要（這些與抑郁相關的結果在2020年5月的第二批數據中得到驗證）。 圖9?社會地位等級與消費、生命付出觀念雷達圖 ? ? ? ?將自我評價的社會地位進行評級，分為低、中、高三個組。初步結果發現，社會經濟地位較低的組與社會經濟地位較高的組之間的生命體驗消費和生命付出觀念存在一定程度的互補。社會經濟地位低的人群不太愿意為社交關系和個人成功付出時間和生命。恰恰相反，社會經濟地位高的人會更愿意為自我成功付錢，家庭和伴侶關系付出時間。而中等程度的人群更加關注家庭和伴侶關系。對于社會地位高的人，相比現在的生活狀態不愿意得到更長的壽命。而如果一切理想，不同年齡段的人都希望能獲得更長的壽命，但是同比之下社會地位高的人對壽命長度的期望要仍較低。（這些結果尚為初步結果。因數據在進一步采集和分析，此結論可能有異于最終結論。）   伍老師給大家的建議 疫情毫無疑問會對我們的生活和工作造成一定程度的消極影響。在講座最后，伍老師給大家幾個復工后的生活學習工作建議： 改回正常生活規律，讓身體提前進入狀態。 主動屏蔽四面八方的信息。 集中注意力在可控的事物上。 繼續保持適宜的衛生習慣。   名詞解釋： 共情是指通過觀看或者想象能夠感知、理解他人的處境，能對他人的處境產生相似的情緒反應，并對導致這種情緒狀態的來源有清楚的認識的一種能力。 親社會行為：一種有益于他人的行為，如助人，合作，捐贈等。 共情疲勞：助人者在向服務對象提供援助服務的過程中，因共情投入或承受救助對象的痛苦而使得助人者對救助對象共情能力或興趣減低。 好奇心：個體在經歷或尋找某個對照性變量時，對知識或信息的渴望，并伴隨著積極的情緒、強烈的喚醒或探索性的行為。 死亡焦慮（death anxiety）是指當死亡必然性被提醒時，個體的內心深處收到死亡威脅而產生的一種帶有懼怕或恐懼的情緒狀態。 生命意義（meaning in life）指讓你們對自己生命的理解和體會，以及對目標、任務或使命的領悟。Steger認為生命意義包含意義體驗（the presence of meaning）和意義尋求（the search for meaning）兩個維度。 主觀幸福感：人對幸福的主觀感受。柏拉圖認為，有王者氣質的人最幸福，最不幸的是專制的獨裁者。他用一種獨特的方法計算出，王者的生活比獨裁者的生活快樂3^6 = 729倍。   參考文獻： Batson, C. D., Duncan, B. D., Ackerman, P., Buckley, T., & Birch, K. (1981). Is empathic emotion a source of altruistic motivation?.?Journal of personality and Social Psychology,?40(2), 290.De Vignemont, F., & Singer, T. (2006). The empathic brain: how, when and why?.?Trends in cognitive sciences,?10(10), 435-441. Bernhardt, B. C., & Singer, T. (2012). The neural basis of empathy.?Annual review of neuroscience,?35, 1-23. Hein, G., & Singer, T. (2008). I feel how you feel but not always: the empathic brain and its modulation.?Current opinion in neurobiology,?18(2), 153-158. Cao S Q.(2020). Emerging?infectious outbreak inhibits pain empathy mediated?prosocial behavior.?http://psyarxiv.com/5p8kd/ 張向葵, 郭娟, & 田錄梅. (2005). 自尊能緩沖死亡焦慮嗎?——自尊對死亡提醒條件下大學生死亡焦慮的影響.?心理科學(03), 91-94.   伍老師的報告視頻已經上傳B站。如有興趣觀看完整的報告視頻，請掃描下面的二維碼觀看：   ? 作者：NCC lab于浩 校對：NCC lab王海慧

? ? ? ?受南方科技大學生物醫學工程系劉泉影助理教授邀請，來自西南大學心理學院的雷旭教授（www.leixulab.net）于騰訊會議平臺在線講解了靜息態研究中EEG（electroencephalogram，腦電圖）和fMRI（functional magnetic resonance imaging，功能磁共振成像）各自的特點，并提出了能夠結合兩者優勢的靜息態研究方向。 一、研究背景 圖1 睜閉眼影響EEG頻譜能量的重測性 ? ? ? ?雷教授首先介紹了靜息態的定義，以及EEG和fMRI這兩種記錄靜息態神經活動的技術的時空分辨率互補性。緊接著，基于靜息態研究中的被試應睜眼還是閉眼的討論，雷教授進一步討論了EEG和fMRI在靜息態神經信號上的重測性差異。較早的基于fMRI的研究認為睜眼狀態下的被試其功能連接網絡能被更好地測量。而雷教授團隊發現，在多次靜息態測量中，被試的EEG信號特征，即頻譜能量特征和功能連接指標，在閉眼狀態下有更好的重測性（圖1）。另外，相比于將其投射到大腦皮層水平上，EEG信號的特征在電極水平的重測性更高（圖2）。 圖2 影響靜息態EEG重測性的因素 二、時間：全腦信號 圖3 fMRI與EEG全腦信號 ? ? ? ?在四個主題中，雷老師首先了在時間方面的一個新穎的指標-全腦信號。全腦信號是由fMRI信號在全腦中簡單的疊加平均，并發現全腦計算的全腦信號與僅靠灰質計算的全腦信號高度相關。在最近5-10年，學術界逐漸開始關注全腦信號的意義，并發現的全腦信號具有一些重要的生理意義。雷老師借此聯想到EEG全腦信號是否也存在類似的意義。 圖4 參考電極標準化技術 ? ? ? ?但在實際操作中EEG的全腦信號是無法得到的！無論是使用FCz參考電極（信號受參考電極影響）或是進行平均參考（加總后等于0），都無法得到有意義的全腦信號。為了解決這個問題，雷老師使用的參考電極標準化技術（Yao 2001 IEEE BME），嘗試將信號反演到源，再通過無窮遠參考計算到頭表。通過這種方法可以得到反映全腦電活動的EEG全腦信號（即堯信號）。EEG堯信號主要來自灰質中的錐體細胞，覆蓋范圍主要是全腦的上半部，相比fMRI全腦信號的覆蓋范圍有一些局限。通過EEG-fMRI同步采集得到信號進行對比，處理后的EEG堯信號（主要是gamma頻段）和fMRI全腦信號具有高度的相關性。同時，雷老師還探索了EEG堯信號在生理心理中獨特的意義，并發現該信號可以很好地解釋被試的困倦度和警覺度。 三、空間：大尺度腦網絡 圖5 腦網絡與大腦節律 ? ? ? ?在空間方面，雷老師介紹了大尺度腦網絡方面的重要工作（Smith et al 2009 PNAS）,該工作通過元分析的方法驗證了靜息態的腦網絡與來自之前研究的各種任務綜合得到的一些腦網絡具有高度的一致性，表明大腦在靜息態狀態下很有可能是在重現或預演其他任務。在另一項研究里（Mantini et al 2007 PNAS）,研究者通過同步采集的EEG-fMRI研究了腦網絡與大腦節律的關系，發現腦網絡和特定節律的對應關系并不明顯，往往同時與多個節律具有相關性。接下來雷老師介紹了NCClab劉泉影老師在2017年的工作，該研究使用了高密度腦電采集信號，相比EEG-fMRI同步采集具有更高的信噪比。這項研究非常清晰的展示了不同腦網絡與特定節律之間的關系，通過上圖可以看到，對于大部分腦網絡與節律都只有較為寬泛的對應關系。在MEG的研究（Pasquale 2012 Neuron）中也發現的類似的現象。 圖6 靜息態皮層節律成像軟件 ? ? ? ?雷老師團隊提出了將來自fMRI的功能網絡作為空間先驗信息引入到EEG源成像中的網絡源成像（NESOI）方法。并且進一步將8種fMRI先驗得到的大尺度腦網絡作為靜息態腦電的空間先驗，開發了靜息態皮層節律成像軟件（正在開發2.0），該軟件可以完成頭表的節律分析，皮層的節律分析以及大尺度腦網絡的分析。無論是頭表的節律分析還是皮層的節律分析都可以一鍵完成，腦電預處理的功能也即將加入。還可以在腦網絡層面分析具體每個節律的能量，以及不同網絡之間的節律的功能連接。 四、頻率：無標度性 圖7 生物界的無標度性 圖8 EEG與fMRI無標度性的相關 圖9 EEG的節律成分與非節律成分 ? ? ? ?雷教授接下來介紹了神經信號在頻域上的“無標度性“特征與功能的關系。“無標度性“即信號功率正相關與頻率的倒數的特點（圖7）。而該正相關的系數可以反映不同個體、功能或腦區的特征。例如，無標度性特征可以預測區分內向與外向的人格特質。另一方面，在對比EEG和fMRI各自的無標度性時，其相關性在睡眠狀態下的更高（圖8）。基于這些發現，雷教授提出了EEG的節律成分與大尺度網絡相關，而非節律成分反映全腦的整體特性的假設（圖9）。 五、意義：靜息態自發思維 圖10 自發思維與EEG和fMRI 圖11 EEG與fMRI對自發思維的敏感度 ? ? ? ?雷教授接下來講解了如何通過結合EEG和fMRI找到靜息態自發思維的神經指標。自發思維指例如意識中斷、回憶過去和想象未來等在靜息態下發生的思維過程。在10秒到1分鐘的時間尺度上，fMRI可以用于發現思維過程與大尺度鬧網絡激活的關系；而EEG信號可以被切割為長度為100毫秒從而將其電極水平特征對應到不同的“微狀態”（圖10）。雷教授團隊收集了70余個被試的EEG數據，1100余個被試的fMRI數據，并發現EEG和fMRI對不同的自發思維過程有不同的敏感度（圖11）。例如EEG對睡眠過程敏感度更高，而fMRI可能對特定腦區相關的功能的敏感性更高。   掃碼觀看講座視頻   參考文獻： Allen, Elena A., Damaraju, Eswar,Plis, Sergey M., Erhardt, Erik B., Eichele, Tom, & Calhoun, Vince D.(2012). Tracking Whole-Brain Connectivity Dynamics in the Resting State.?Cerebral Cortex, 24(3), 663-676.doi:10.1093/cercor/bhs352 Anderson, Alana J., & Perone, Sammy.(2018). Developmental change in the resting state electroencephalogram:Insights into cognition and the brain.?Brainand Cognition, 126, 40-52. doi:https://doi.org/10.1016/j.bandc.2018.08.001 Andrews-Hanna, Jessica R., Reidler, Jay S.,Huang, Christine, & Buckner, Randy L. (2010). Evidence for the DefaultNetwork’s Role in Spontaneous Cognition.?Journalof Neurophysiology, 104(1), 322-335. doi:10.1152/jn.00830.2009 Britz, Juliane, Van De Ville, Dimitri,& Michel, Christoph M. (2010). BOLD correlates of EEG topography revealrapid resting-state network dynamics.?NeuroImage,52(4), 1162-1170. doi:https://doi.org/10.1016/j.neuroimage.2010.02.052 Chang, Catie, Liu, Zhongming, Chen, MichaelC., Liu, Xiao, & Duyn, Jeff H. (2013). EEG correlates of time-varying BOLDfunctional connectivity.?NeuroImage, 72,227-236. doi:https://doi.org/10.1016/j.neuroimage.2013.01.049 de?Pasquale, Francesco,Della?Penna, Stefania, Snyder, Abraham?Z, Marzetti, Laura, Pizzella,Vittorio, Romani, Gian?Luca, & Corbetta, Maurizio. (2012). A CorticalCore for Dynamic Integration of Functional Networks in the Resting Human Brain.Neuron, 74(4), 753-764. doi:https://doi.org/10.1016/j.neuron.2012.03.031 Diaz, B. Alexander, Van Der Sluis, Sophie,Moens, Sarah, Benjamins, Jeroen, Migliorati, Filippo, Stoffers, Diederick, . .. Linkenkaer-Hansen, Klaus. (2013). The Amsterdam Resting-State Questionnairereveals multiple phenotypes of resting-state cognition.?Frontiers in Human Neuroscience, 7(446).doi:10.3389/fnhum.2013.00446 He, Biyu J., Zempel, John M., Snyder,Abraham Z., & Raichle, Marcus E. (2010). The Temporal Structures andFunctional Significance of Scale-free Brain Activity.?Neuron, 66(3), 353-369. doi:https://doi.org/10.1016/j.neuron.2010.04.020 He, Yong, Wang, Jinhui, Wang, Liang, Chen,Zhang J., Yan, Chaogan, Yang, Hong, . . . Evans, Alan C. (2009). Uncoveringintrinsic modular organization of spontaneous brain activity in humans.?PloS one, 4(4), e5226-e5226.doi:10.1371/journal.pone.0005226 Huang, Xiaoli, Long, Zhiliang, & Lei,Xu. (2019). Electrophysiological signatures of the resting-state fMRI globalsignal: A simultaneous EEG-fMRI study.?Journalof Neuroscience Methods, 311, 351-359. doi:https://doi.org/10.1016/j.jneumeth.2018.09.017 Killingsworth, Matthew A., & Gilbert,Daniel T. (2010). A Wandering Mind Is an Unhappy Mind.?Science, 330(6006), 932. doi:10.1126/science.1192439 Lehmann, D, Pascual-Marqui, RD, &Michel, C. (2009). EEG microstates.?Scholarpedia,4, 7632. Lei, Xu, Wang, Yulin, Yuan, Hong, &Chen, Antao. (2015). Brain Scale-free Properties in Awake Rest and NREM Sleep:A Simultaneous EEG/fMRI Study.?BrainTopography, 28(2), 292-304. doi:10.1007/s10548-014-0399-x Lei, Xu, Wu, Taoyu, & Valdes-Sosa,Pedro. (2015). Incorporating priors for EEG source imaging and connectivityanalysis.?Frontiers in Neuroscience, 9(284).doi:10.3389/fnins.2015.00284 Lei, Xu, Xu, Peng, Luo, Cheng, Zhao,Jinping, Zhou, Dong, & Yao, Dezhong. (2011). fMRI functional networks forEEG source imaging.?Human Brain Mapping,32(7), 1141-1160. doi:10.1002/hbm.21098 Lei, Xu, Zhao, Zhiying, & Chen, Hong.(2013). Extraversion is encoded by scale-free dynamics of default mode network.NeuroImage, 74, 52-57. doi:https://doi.org/10.1016/j.neuroimage.2013.02.020 Liu, Quanying, Farahibozorg, Seyedehrezvan,Porcaro, Camillo, Wenderoth, Nicole, & Mantini, Dante. (2017). Detectinglarge-scale networks in the human brain using high-densityelectroencephalography.?Human BrainMapping, 38(9), 4631-4643. doi:10.1002/hbm.23688 Mantini, D., Perrucci, M. G., Del Gratta,C., Romani, G. L., & Corbetta, M. (2007). Electrophysiological signaturesof resting state networks in the human brain.?Proceedings of the National Academy of Sciences, 104(32), 13170.doi:10.1073/pnas.0700668104 Smith, Stephen M., Fox, Peter T., Miller,Karla L., Glahn, David C., Fox, P. Mickle, Mackay, Clare E., . . . Beckmann,Christian F. (2009). Correspondence of the brain's functionalarchitecture during activation and rest.?Proceedingsof the National Academy of Sciences, 106(31), 13040.doi:10.1073/pnas.0905267106 Thomas Yeo, B. T., Krienen, Fenna M.,Sepulcre, Jorge, Sabuncu, Mert R., Lashkari, Danial, Hollinshead, Marisa, . . .Buckner, Randy L. (2011). The organization of the human cerebral cortexestimated by intrinsic functional connectivity.?Journal of Neurophysiology, 106(3), 1125-1165.doi:10.1152/jn.00338.2011 Van Dijk, Koene R. A., Hedden, Trey,Venkataraman, Archana, Evans, Karleyton C., Lazar, Sara W., & Buckner,Randy L. (2009). Intrinsic Functional Connectivity As a Tool For HumanConnectomics: Theory, Properties, and Optimization.?Journal of Neurophysiology, 103(1), 297-321.doi:10.1152/jn.00783.2009 Wen, Haiguang, & Liu, Zhongming.(2016). Broadband Electrophysiological Dynamics Contribute to GlobalResting-State fMRI Signal.?The Journal of Neuroscience, 36(22), 6030. doi:10.1523/JNEUROSCI.0187-16.2016 Yao, Dezhong, & He, Bin. (2001). A Self-Coherence Enhancement Algorithm and its Application to EnhancingThree-Dimensional Source Estimation from EEGs.?Annals of Biomedical Engineering, 29(11), 1019-1027.doi:10.1114/1.1415526     本文作者：NCC lab 王正旸、魏晨

? ? ? ?深度學習（Deep learning）是基于人工神經網絡的機器學習方法的一部分。深度學習架構，如深度神經網絡、深度信念網絡、遞歸神經網絡和卷積神經網絡等，已被應用于生物信息學、藥物設計、醫學圖像分析等領域。 ? ? ? ? ?受南方科技大學生物醫學工程系劉泉影博士邀請，來自上海交通大學自然科學研究院的許志欽博士（https://ins.sjtu.edu.cn/people/xuzhiqin/）于騰訊會議平臺在線深入淺出的講解了深度學習（Deep Learning）的頻率原則 (Frequency Principle, F-Principle)理論，并利用實驗與數學理論結合的方式，闡明了深度神經網絡更適用于低頻情況（“DNNs prefer low frequency”）這一核心思想。 圖1: 深度學習的優勢 ? ? ? ? ?在講座伊始，許博士以實驗案例說明了深度學習算法的優勢。 深度神經網絡（DNN）模型中參數復雜，可用于擬合細微的變化，并且DNN 大部分時候不會有過度擬合現象。深度學習與傳統學習理論不一樣，雖然模型復雜度高，但是具有比較好的泛化能力（generalization ability），也就是算法對新樣本的適應能力較強。 ? ? ? ?然而，深度學習理論在實際應用過程中也可能出現的問題。許博士用輕松幽默的漫畫方式（如圖2）說明在某些情況下DNN可能并沒有全面考察真實問題，只是在能“做事的地方”嘗試解決問題。 圖2: 深度學習的問題 ? ? ? ?本次講座涉及到的模型中的“頻率”（Frequency）理解為“輸入變化一點點，輸出變化的大小”。在了解了DNN模型中所使用的“頻率”這一映射（mapping）基礎上產生的核心概念之后，從簡單函數/一維空間問題出發，頻率空間出現了頻率原則。首先，直觀地，通過實驗可以發現，DNN在擬合過程是從輪廓開始的，再隨著步數和層數增加，慢慢“抓住”細節。 圖3： 頻率原則（F-Principle）的研究框架 ? ? ? ?在圖示擬合的過程中，可以發現圖像上出現平坦、震蕩等特征。許博士解釋這些特征可用數學理論上的傅里葉分析中相應的頻率概念解釋，其中平坦圖像對應低頻概念，震蕩圖像對應高頻概念。 ? ? ? ?結合實驗與理論解釋，得出DNN具有擅長捕捉低頻分量，同時將高頻分量控制在較小的范圍內，并且逐步捕捉高頻成分的特點——頻率原則（Frequency Principle）。同時，關于“頻率還是幅度決定收斂速度”這一問題，許博士的研究發現：收斂是從低頻到高頻的。 圖4: 頻率原則（Frequency Principle） ? ? ? ?“一維問題類似于在光亮的地方摸索清楚了”，進一步考慮函數維度升高的情況。特別地，對二維到一維的映射，許博士給出了一個詳細的實驗描述——記住一張圖片（如圖5），即像素點到該點灰度值的映射。實驗中發現隨著步數增加，圖像的輪廓細節逐漸清晰。多個高維度情況下的實驗與思考都體現一個最重要的思想——從頻率角度理解深度學習。 圖5: DNN二維的實驗案例 ? ? ? ?這些實驗案例中，所討論的頻率是反映頻率（response frequency），即輸入輸出映射的頻率，而不是相鄰像素的變化強度的變化率。因此，高頻是指圖像中的像素強度的微小變化可能會引起輸出的較大變化。實驗發現，如果特意設計噪音，DNN就不再進行有效識別，由于映射發生了變化，從而產生了不一樣的頻率。這也就是說，在DNN中，圖像的改變對識別結果的影響本質上是頻率的影響作用。結合傅里葉分析、離散化、低通濾波器、卷積定理等數學方法可以有效說明輸入輸出同時高維的實際問題中的頻率原則。實驗與理論并行一致驗證DNN低頻先收斂的性質。 圖6: DNN高維的實驗案例 ? ? ? ?最后，許博士結合已有的研究和分析結果說明“深度學習不是萬能，只是低頻的學習器。在某些高頻問題中，強制調參是不容易做出來結果的”。結合深度學習頻率原則與計算神經科學，一個值得思考的問題是：大腦是否也執行頻率原則——先做低頻反應，再做高頻反應 ？對于相關的特定神經科學的問題，“頻率”要如何理解并定義？更多新想法和理論值得我們去探索并實踐！   文字：王海慧   參考文獻： Xu, Zhi-Qin John, et al. “Frequency principle: Fourier analysis sheds light on deep neural networks.”?arXiv preprint arXiv:1901.06523?(2019). ? Xu, Zhi-Qin John, Yaoyu Zhang, and Yanyang Xiao. “Training behavior of deep neural network in frequency domain.”?International Conference on Neural Information Processing. Springer, Cham, 2019. ? Xu, Zhiqin John. “Understanding training and generalization in deep learning by fourier analysis.”?arXiv preprint arXiv:1808.04295?(2018). ? Zhang, Yaoyu, et al. “Explicitizing an implicit bias of the frequency principle in two-layer neural networks.”?arXiv preprint arXiv:1905.10264?(2019). ? Zhang, Yaoyu, et al. “A type of generalization error induced by initialization in deep neural networks.”?arXiv preprint arXiv:1905.07777?(2019). ? Luo, Tao, et al. “Theory of the frequency principle for general deep neural networks.”?arXiv preprint arXiv:1906.09235?(2019). ? Cai, Wei, and Zhi-Qin John Xu. “Multi-scale deep neural networks for solving high dimensional pdes.”?arXiv preprint arXiv:1910.11710?(2019). ? 文中所有圖片均來自于線上講座屏幕截圖

? ? ?? 近日，南科大生物醫學工程系助理教授郭瓊玉課題組在腫瘤介入栓塞領域構建透明化離體模型方面取得最新研究進展，相關成果論文以“構建透明化肝臟離體模型評估腫瘤血管栓塞治療（Decellularized?liver as a translucent ex vivo model for vascular embolization evaluation）”為題發表在生物材料領域頂級學術期刊Biomaterials。 ? ? ?? 生物技術迅速發展的今天，傳統體外模型和動物模型已經開始顯示出越來越多的局限性，而透明化離體器官模型近幾年來在觀察研究器官的三維精細結構以及相關疾病機理等方面有很大的應用前景。對于失去手術機會的肝癌患者來說，最普遍的臨床治療方案之一是經導管肝動脈化療栓塞術（Transarterial?chemoembolization, TACE），針對腫瘤供血肝動脈選擇性地進行栓塞化療。然而，TACE治療缺乏有效模型對栓塞制劑的栓塞化療特性進行評估，嚴重影響了該臨床治療藥物制劑的研發。此前的相關研究主要使用微流控等體外模型來評估栓塞劑性能，但是此類模型使用的材質與肝臟真實血管的機械性能相差甚遠，且模型通道的設計往往過于簡單，難以模擬肝細胞癌中復雜的血管分布。而TACE治療的動物模型由于采用的DSA、CT、MRI等成像系統分辨率較低，無法研究栓塞劑在末梢血管中的栓塞深度，且難以實時動態地監測栓塞效果。因此，如何開發新型TACE模型系統精確地評估栓塞制劑，已經成為該臨床領域發展的關鍵核心問題。 圖1. 透明化離體肝臟模型血管系統的量化分析 ? ? ?? 針對這一問題，郭瓊玉課題組提出了一種采用脫細胞全肝器官作為透明化離體模型對血管栓塞進行評估的新策略。近年來脫細胞技術主要應用于可再生器官重建，該研究創新通過嚴格控制的脫細胞灌注方法開發了透明化離體肝臟，在脫洗細胞的同時保留了肝內的細胞外基質和整個脈管系統。相較于天然不透明的肝臟，脫細胞肝臟獲得了半透明的外觀，其脈管系統可以通過各種成像工具進行可視化，包括明場顯微鏡、熒光顯微鏡和光聲顯微鏡（圖1）。 圖2. 在透明化離體肝臟模型中評估不同腫瘤介入栓塞劑 ? ? ?? 課題組采用該透明化離體肝臟模型，針對不同種類的肝癌介入栓塞劑（包括液態栓塞劑碘化油和固體栓塞劑栓塞微球）進行了動態和量化評估。課題組發現，透明化離體肝臟模型肝臟血管網絡的物理和生理特性比基于聚二甲基硅氧烷等材料的體外模型更為復雜和精細。因此，通過使用該透明化離體模型，可以獲得其它模型難以獲得的量化數據，包括栓塞劑滲透深度、栓塞終點以及空間分布等重要栓塞特性參數（圖2）。 圖3. 動態監測液體栓塞劑碘化油栓塞動力學 ? ? ?? 此外，課題組首次通過透明化離體肝臟模型動態評估了TACE治療的栓塞效果（圖3），發現液體栓塞劑（如碘化油）的栓塞終點強烈依賴于注射壓力，當碘化油到達毛細血管末端時注射壓力會急速升高，可能引發栓塞劑泄漏和組織損傷。而對于諸如可降解微球和臨床用栓塞微球等固體顆粒栓塞劑，接近栓塞終點的栓塞顆粒密度顯著減少。該結果證實固體栓塞劑的顆粒大小和滲透深度是決定顆粒栓塞劑栓塞分布及栓塞終點的兩個關鍵因素，同時這兩種因素強烈依賴于血管的尺寸和分布。 ? ? ?? 郭瓊玉介紹，此項研究工作為建立透明化器官模型可視化研究及評估臨床治療手段開辟了新的途徑，有望為蓬勃發展的生物技術和生物材料提供更加有效的評估策略。 ? ? ?? 我校生物醫學工程系科研助理高雅楠是論文第一作者，科研助理李志華等對論文做出了重要貢獻。郭瓊玉為本論文的唯一通訊作者，南科大為第一通訊單位。該研究獲得了南科大生物醫學工程系副教授奚磊、材料科學與工程系講席教授王湘麟、生物系教授肖國芝，以及新加坡國立大學教授Hanry?Yu和副教授Hwa Liang Leo等研究人員的大力支持。 ? ? ?? 該研究項目獲得了廣東省重點領域研究計劃“材料基因工程”重點專項、國家自然科學基金、深圳市孔雀計劃等項目的資助。 ? ? ?? 論文鏈接： ? ? ?? https://www.sciencedirect.com/science/article/pii/S0142961220301010?via%3Dihub ? 供稿：生物醫學工程系 編輯：劉馨 主圖設計：丘妍  

? ? ? ?近日，南方科技大學工學院生物醫學工程系系主任、講席教授蔣興宇因其在“使用微/納米材料進行多重分析，從而提高了醫療保健的質量和生物醫學研究的效率”等方面的貢獻，當選2020年美國醫學與生物工程學會會士（AIMBE Fellow）。 ? ? ? ?美國醫學與生物工程學會（AIMBE，American Institute for Medical and Biological Engineering）是國際醫學與生物工程領域著名的非營利性學術組織，旨在引領和推進醫學工程和生物學工程為社會服務。AIMBE Fellow 由世界醫學與生物工程領域最杰出（Top 2%）的學者組成，每年經過國際同行提名與嚴格評選產生。其貢獻對生物醫學、醫療器械、疾病治療以及相關公共衛生政策的制定具有重要的影響。今年全球共有156名科學家當選。 蔣興宇 ? ? ? ?蔣興宇研究方向主要包括微流控芯片和納米生物醫學。他于2010年獲“國家杰出青年科學基金”，2013年獲中組部“青年拔尖人才”，2014年獲國務院政府特殊津貼、科技部“創新人才推進計劃”，2019年獲科技部“國家重點研發計劃重點專項項目首席科學家”、首屆“科學探索獎”（由騰訊基金會發起）；曾獲中國化學會青年化學獎，入選中科院“百人計劃”；迄今發表論文200多篇。

? ? ? ?3月27日，中國科學院人機智能協同系統重點實驗室研究員李光林老師受我系張明明老師的邀請，在騰訊會議平臺上開展了線上講座。 ? ? ? ? 基于神經機器接口技術的人機交互是實現生機電一體化機器人系統智能控制的核心，運動功能康復和輔助系統是生機電一體化機器人的一個重要應用領域，而利用神經接口技術獲取人體活動信息是實現行為與運動意圖精確識別的關鍵。目前，利用各種柔性傳感技術精準獲取神經肌肉活動的生理信息，來實現運動意圖精確識別是人機智能交互研究的重要方向之一。此次報告匯報了該課題組在柔性傳感檢測技術及應用方面的一些初步研究進展。 ? ? ? ?當前，人機交互已經是當然人們生活中必不可少的活動，包括手機，電腦的使用等等。交互包括物理交互，語音交互，智能交互等。“智能交互”是要求自然，精準，安全的一種交互。基于神經接口的人機交互系統是智能交互的一個重要實例，即采集腦電信號，外周神經信號或者是肌電信號來解碼人的意圖，實現人機交互。 ? ? ? ?但是這也存在問題。首先，這種系統缺乏力反饋，將極大地限制人機交互的發展。為了促進人機交互發展，李教授團隊選取了以下幾個方面開展研究：利用骨骼肌肉信號來嘗試構建一個更好的人機交互系統。這種思想旨在探究肌肉，血液，神經三者之間的耦合關系來提升魯棒性；研究生理電信號，包括研究EMG信號，以此來改進假肢；改進傳感電極，用對皮膚友好的，不受導電膏限制的織物電極，來成功采到各種生理信號。 ? ? ? ?近期，柔性電極一改傳統金屬電極的形狀，以其柔軟性，低電阻的特性受到研究者的廣泛青睞。但是這些研究也存在困難，自于“人”的挑戰，部分用戶很難長時間穩定的輸出信息，同時，也存在著來自“機”的挑戰，即有決策的算法，以及魯棒性差的問題。相信如果克服這些困難，自然、精準、安全的人機交互時代會指日可待。   文字：祁是辰

? ? ? ?3月24日，中國科學技術大學李智軍教授受我系張明明教授的邀請，開展了疫情期間我系第一場線上講座。 ? ? ? ?李教授以《可穿戴機器人關鍵技術及其應用》為題，首先介紹了可穿戴機器人在當前社會發展下的急切需求。作為醫工結合的最新研究領域，此項技術將有助于探索神經網絡損傷后對運動控制預知能力的影響機理，研究康復機器人干預下中樞神經系統的重建機制。接著，李智軍教授又為同學們詳細介紹了可穿戴機器人的概況、系統設計方案、當前人機交互式可穿戴機器人技術的研究難點及突破點等內容。最后，李教授展示了所在實驗室所自主研制的系列化的上肢、下肢外骨骼機器人，上下肢的義肢、靈巧手和移動操作機器人等。針對每一類可穿戴系統，李智軍教授都詳細介紹了各類型可穿戴設備的設計、信息感知、信息融合，利控制方法，令人耳目一新。   文字：馬芮