勇于冒險 甘于艱苦 樂于和諧

? ? ? ?本講座中，何暉光教授首先介紹課題組在醫學影像分析方面的幾個工作，進而介紹視覺信息編解碼的工作。 ? ? ? ?視覺信息編解碼是通過計算方法建立從視覺系統與外界視覺刺激信息之間的映射模型，探索大腦視覺信息處理的過程和機理，其研究不僅有助于探索視覺的加工機制，而且可促進計算機視覺的類腦研究。 ? ? ? ?2020年6月19日中國科學院自動化研究所何暉光研究員受南方科技大學生物醫學工程系劉泉影助理教授邀請在生物醫學工程系生物醫學講堂進行了題為《從神經影像計算與分析到視覺信息編解碼》的講座。本文為該講座的總結推文。 一、研究背景 ? ? ? ?視覺信息編解碼涉及到的問題非常廣泛，其中有很多重要問題長期得不到解決。視覺系統是人類感知外部世界的最主要途徑，大腦視覺皮層基于視網膜感受器采集到的信息，在我們腦中準確地重建出外界環境的樣子。一方面視覺加工過程最快約在200ms以內完成，是一個瞬間、動態的過程。另一方面，外部視覺刺激是多種多樣、雜亂無章的，人類的視覺系統卻能穩定地識別和理解這些視覺輸入。這些問題都需要我們更深入的了解大腦中視覺信息的編解碼問題來解決。 ? ? ? ?從視覺皮層的編碼特征上來看，視覺信號從V1-V2-V4-PIT-IT 信息的逐層處理過程中，對應的神經元的感受野越來越大；每層之間感受野增大的系數大體為2.5；高級別的神經元將信息集成在具有較小感受野的多個低級神經元上，編碼更復雜的特征。分別來說，V1區是編碼的邊緣和線條等基本特征；V2區神經元對錯覺輪廓有反應，是色調敏感區；V3區是信息過渡區；V4是色彩感知的主要區域，參與曲率計算、運動方向選擇和背景分離；IT區是物體表達和識別區（圖1、圖2）。從近些年來深度學習和機器視覺的發展可以看出，深度卷積網絡也與視覺皮層的編碼特征呈現出了類似的形態（圖3）。 圖1 視覺信號分層編碼 ? 圖2 不同區域神經元編碼不同特征 ? 圖3 深度卷積網絡與大腦分層解碼結構 二、視覺信息編解碼 ? ? ? ?視覺編解碼是建立視覺刺激和大腦反應之間的關系，編碼是將視覺信號轉化為大腦反應，解碼為將大腦反應轉化為視覺信號。何老師認為編碼問題在這個過程中有更重要的地位，反映了神經信號加工的機理，更加具有科學價值。在神經信號編解碼過程中，往往不會直接使圖像對神經信號進行映射，而是先從圖像通過非線性變換提取特征，再使用線性編解碼器將圖像特征和神經信號特征相互連接（圖4）。這樣做可以降低數據維度，減少計算量和需要的數據量；又能避免編解碼過程成為一個黑盒，具有更好的可解釋性；同時還能一定程度上避免非線性運算造成的過擬合。 圖4 視覺信息編解碼過程 ? ? ? ?在介紹了幾個重要的解碼模型后，何老師提出了目前視覺信息解碼研究中存在的問題。首先，大多數方法只針對分類或辨識任務；其次，重建算法的效果不佳；最后，常用的線性變換手段缺乏生物學基礎。其中一部分原因是由于視覺信息解碼中的（fMRI）數據特點造成的。這些數據具有維度高、樣本量小、噪音嚴重的特點，對我們應用編解碼模型會造成很大的困擾。根據此，何老師提出了《基于視覺信息編解碼的深度學習類腦機制研究》項目，該項目有兩點目標：1）建立人類視覺系統與外部視覺刺激信息之間的映射模型，利用深度學習對大腦視覺信號進行編解碼，探索深度學習的類腦機制；2）通過對視覺信息的編解碼，引導深度神經網絡建模。 ? ? ? ?比較直接的辦法是將深度神經網絡（例如convolutional auto-encoder 卷積自編碼器）作為圖像和神經信號的特征提取器，再將其特征相互映射（圖4）。這種方法被稱為兩階段法，即特征提取和映射分開進行。同時也可以使用統一訓練的方法，將自編碼器圖像特征提取和與神經信號相互映射兩個步驟合并為一步，進行統一訓練（圖5）。 圖5 卷積自編碼器用于圖像與大腦信號特征提取 三、多視圖生成式自編碼模型 ? ? ? ?然后何老師介紹了多視圖生成式自編碼模型（Deep generative multi-view model（DGMM）），該研究由何老師課題組博士生杜長德（已畢業）完成。該模型基于這樣一個假設，即視覺圖像和大腦響應是同一客體在不同特征空間中的外在表征。由該假設可得視覺圖像和大腦響應可以由同一隱含變量通過不同的生成模型得到。這樣一來，視覺圖形重建問題就轉變為了多視圖隱含變量模型中缺失視圖的貝葉斯推斷問題。 ? ? ? ?所以基于圖像我們采用深度神經網絡（DNNs）建立推理（Inference）網絡和生成（Generative）網絡，這樣一組推理網絡和生成網絡構成了變分自編碼器（VAE）架構，可以模擬大腦視覺信息處理機制（層次化，Bottom-up, Top-down）（圖6，左上到右上）。對于大腦響應，建立稀疏貝葉斯線性模型（圖6，左下到右下），模擬體素感受野和視覺信息的稀疏表達準則。這樣做可以自動降低體素空間維度，避免過擬合；同時可以利用體素間相關性來抑制噪聲，魯棒性更強；最后由于對體素協方差矩陣施加了低秩約束，降低了計算復雜度。 ? ? ? ?在訓練好這兩組推理與生成模型后，給定新的視覺圖像輸入，就可以通過Bottom-up的推理網絡得到隱含表征，再通過線性生成模型預測大腦活動，這就是視覺信息編碼通路。反之，給定新的大腦響應，將先驗知識（表征相似性分析）融入到貝葉斯推理中，得到隱含表征，再通過Top-down的生成網絡預測視覺圖像，這就是視覺信息解碼通路。 圖6 多視圖生成式自編碼模型結構   ? ? ? ?在實際訓練中，我們將圖像和神經信號輸入同一個推斷模型，來保證生成的隱含表征在同一個空間中，再分別進入各自的生成模型中進行重建（圖7）。在測試中，我們通過對輸入的大腦響應與一直大腦響應的相似度矩陣，通過貝葉斯推斷得到對應的隱含表征，再通過生成網絡預測視覺圖像（圖8）。該研究在三個公開數據集中都進行了測試，這些數據集主要記錄了大腦V1和V2的活動。在與多個方法的對比結果中，該模型無論是肉眼觀測的圖像重建效果還是在數值指標上，均有最好的表現（圖9）。在被試差異和模型可解釋性上，該研究也進行了分析。最后，通過對fMRI中體素權重的可視化，該模型展現出了在神經科學研究中的潛力。這項研究得到了MIT Technology Review的高度評價，認為該研究在腦機接口方面做出了一項重要的貢獻。 圖7 多視圖生成式自編碼模型訓練   圖8 多視圖生成式自編碼模型測試   圖9 多視圖生成式自編碼模型生成效果 四、進一步工作 先前研究也存在一些不足之處，例如： · 多用線性模型：不能學習到深層次的特征 · 單一任務 · 單一模態：只能學到單模態信息 不能利用大量非成對數據 在進一步工作中，將對這些問題進行一一改進： · 使用深度學習：能學習到層次化的特征，表達能力強 · 多任務：能同時進行分類和重建任務 · 多模態融合：多個模態互相補充有利于解碼效果的提升 · 半監督：能對大量的非成對數據，或者對缺失模態補全 ? ? ? ?隨后的研究不僅對圖像進行重建，還對其進行了分類；不僅使用了fMRI信號，還使用了EEG信號，不僅使用了成對的監督學習數據，還使用了大量非成對數據進行半監督學習。   五、多模態融合的對抗神經信息編碼 ? ? ? ?在多視圖生成式自編碼模型基礎上，何老師課題組博士生李丹搭建了新的網絡，以用于基于多模態融合的對抗神經信息解碼。從圖10中，我們可以了解該網絡的框架。最上層輸入圖片到標簽的過程是一個AlexNet，該網絡可以學習圖片的分類標簽，并在fc7層輸出一組語義特征。對于文本或EEG信號這樣的非圖像信息，作者也訓練一個網絡來提取語義特征fc2和分類。當這兩個網絡的數據是成對數據的時候，在兩組語義特征間計算一個損失，使兩組特征相互聯系。對于非圖像的網絡，作者提取了語義特征和分類標簽輸入一個生成器生成圖像。生成圖片之后，將圖片輸入一個判別網絡判斷圖片是真實圖片還是生成圖片。如果是成對數據生成的圖片，還要將生成圖片和原始圖片一起輸入另一個判別網絡，以判斷兩張圖片是否對應。 ? ? ? ?在測試中，我們就可以輸入非圖像信息（大腦信號或文本）提取語義特征和分類，再輸入訓練好的生成器重建圖像信息。 圖10 基于多模態融合的對抗神經信息解碼網絡結構 ? ? ? ?在以上網絡結構的條件下，基于fMRI信號的半監督跨模態圖像生成，在實踐中取得了較多視圖生成式自編碼模型更好的效果。基于EEG信號的半監督跨模態圖像生成（圖11）中也可以看到，由于使用了GAN，生成的圖片較之前更為清晰；且由于輸入了語義信息，包含了明確的語義特征。總的來說，這個研究將大腦活動的語義學習和圖像重建任務統一在同一個框架下，使得解碼結果語義明確。同時充分利用非成對的圖像數據可以很好的輔助跨模態圖像生成任務，使圖片重建質量提升，變得更加清晰。 圖11 基于EEG信號的半監督跨模態圖像生成示例 六、其他思路 ? ? ? ?接下來何老師分享了其他的一些思路。同樣是對之前模型的擴展，將多視圖生成式自編碼模型中添加了語義這一輸出，就可以得到語義信息的解碼（圖12）。由于圖像刺激的類別或者向量包含了圖像刺激中的高層次語義信息，該模型可以把大腦響應解碼到高層次的語義空間。 圖12 語義信息的解碼示例 ? ? ? ?將不同人的大腦信號看做不同的視圖，再利用多視圖生成式自編碼模型，就可以得到多被試解碼與腦-腦通訊模型（圖13）。該模型可以綜合利用多個被試的大腦響應數據，提高模型的泛化能力。如果我們將一個人的大腦響應解碼到另一個人的大腦響應上，則該模型不僅可以實現單個被試的大腦響應解碼，還可以實現多個被試間大腦響應的相互轉換。 圖13 多被試解碼與腦-腦通訊模型示例   ? ? ? ?類似的，多視圖生成式自編碼模型還可以應用在更加復雜的工作上，例如動態圖像（視頻）重建。如何根據大腦響應重建動態的視覺刺激場景是一個更具挑戰性的問題。將“推理網絡”和“生成網絡”的類型從多層感知機（MLPs）或卷積神經網絡（CNNs）升級為可以處理時間序列數據的遞歸神經網絡（Recurrent Neural Networks, RNNs），便可以嘗試進行動態視覺場景的重建。 圖14 動態圖像（視頻）重建模型示例   七、總結和展望 何老師對視覺信息編解碼的工作做了如下總結和展望： 本質：建立外界視覺刺激信息與大腦響應之間的映射模型 編碼：通過研究視覺信息編碼，建立類腦計算模型 解碼：通過研究視覺信息解碼，服務于腦機接口研究 模型：提出了基于多視圖生成模型的雙向建模框架 結果：在圖像重構（信息編碼）方面性能優異 展望： · 復雜自然場景的重構工作還在進行中 · 將采用動態編解碼，比如變分RNN，進行視頻重建 · 借鑒機器翻譯、圖像翻譯、對偶學習、自監督學習等思想 · 嘗試其他類型的深度生成模型，如GAN等 · GAN與VAE的結合   該講座介紹的研究的原文和代碼如下，歡迎感興趣的同學進一步研究： 代碼：https://github.com/ChangdeDu/DGMM 網站：http://nica.net.cn       參考文獻： 1. Mauro Manassi, Bilge Sayim, Michael H. Herzog, When crowding of crowding leads to uncrowding, Journal of Vision 2013;13(13):10. doi: https://doi.org/10.1167/13.13.10. 2. Kendrick N. Kay, Jonathan Winawer, Aviv Mezer, and Brian A. Wandell, Compressive spatial summation in human visual cortex, Journal of Neurophysiology 2013 110:2, 481-494 3. Chang de Du, Chang ying Du, Lijie Huang, Huiguang He, Reconstructing perceived images from human brain activities with Bayesian deep multiview learning, IEEE Transactions on Neural Networks and Learning Systems, 2019/8(2018/12/12),30(8), pp:2310-2323, 4. Dan Li, Changde Du, Huiguang He, Semi-supervised cross-modal image generation with generative adversarial networks, Pattern Recognition, 2020/4(2019/11/12),100,pp:107085, 5. Changde Du, Lijie Huang, Changying Du, Huiguang He. Hierarchically Structured Neural Decoding with Matrix-variate Gaussian Prior for Pereceived Image Reconstruction. AAAI 2020   本文作者：NCC lab 魏晨 校對：何暉光

  尊敬的各位領導、各位來賓，親愛的老師們、同學們： ? ? ? 大家晚上好！我是工學院生物醫學工程系的碩士畢業生張子一。非常榮幸作為研究生畢業代表進行發言。 ? ? ? 在今年的特殊疫情下，我們仍能在分別的前夕相聚在一起，要感謝奮戰在一線的抗疫工作者，感謝給予我們關懷的師長和親友們。特別要感謝學校的安排，在周全的部署下，給予我們如此隆重而特別的星空畢業典禮。 ? ? ? 此時此刻，站在這個講臺上，往事歷歷如在眼前。我回想起一同踩著閉館鈴聲走出琳恩圖書館的同學，由于忙著實驗而錯過巴士深夜結伴走過登山棧道的伙伴們，還有在創園路邊提著“實驗鼠盒”行色匆匆的生醫同行……奮斗著的南科人和美麗的校園，組成了我青春年華最溫暖的回憶。兩年的碩士生涯轉瞬即逝，還沒有來得及仔細品讀校園的美景，今天過后，我們就要帶著夢想奔向新的遠方。 ? ? ? 臨行之時收拾行裝，獨特的“南科印跡”將陪伴我們篤定前行。 ? ? ? 第一個“南科印跡”，是永葆無負時代、勇于擔當的責任意識與崇高使命。 ? ? ? 大三那年，我曾前往阿壩高原參加公益醫療援助活動，潔白的哈達、藏民患者期待的眼神和高原醫療資源的匱乏給我留下了深刻的印象，也在我心中埋下一顆種子——為人類健康貢獻自己的力量。帶著這樣的理想我來到南科大，成為碩士研究生聯培項目的一員。今年以來，面對百年一遇的疫情挑戰，我見證了周圍老師和同學們齊心協力、共赴使命、科技抗疫的行動。在深圳市科創委發布的“新冠病毒感染應急防治”專項中，南科大共申報了17個項目，而我所在的生物醫學工程系就申報了7項。在人類健康的問題上，生醫工人始終試圖通過交叉學科的融合特色給出答案。特殊時期，處于南科大“科技抗疫”的隊伍之中，我感受到空前的使命感和責任感，也讓我更加堅定了為人類健康貢獻自己的力量的信念。 ? ? ? 改革創新是南科大的立校之本。無懼困難，勇于攻堅，母校把第二個“南科印跡”裝進了我的行囊。 ? ? ? 從傳統理工科跨進前沿交叉學科，我希望能解決醫療領域的需求。帶著這樣的想法，我確立了自己的研究方向。即使如此，做實驗時仍常常因不理想的實驗結果而感到崩潰。帶著失敗的結果和一身的疲累回到寢室，已經是半夜了。此時此刻，心情有點復雜。放棄？是不可能的。我想，當我站在前沿交叉學科的平臺上時，我應抓住機會提升本領，努力打破專業的壁壘，不斷拓展新的領域。在導師和師兄師姐的幫助下，我堅持著課題研究，在反復試錯中逐漸得到要領。最終，我通過化學方法制備出具有非線性光學性質的納米材料，這些材料在生物成像時不再出現光毒性發射過程。這一特點，契合新型醫學診療的大趨勢，有助于提升診斷的人性化水平。 ? ? ? 開放包容，追求卓越，第三個“南科印跡”賦予全體南科人孜孜以求的人生目標。 ? ? ? 在兩年的科研中，我的導師吳長鋒從未對我設限，并給予我很大的自由度，從前期調研的結果到實驗設計的想法，他都愿意聆聽、討論，并及時指導。他的辦公室永遠為我們敞開。很幸運，我在南科大遇到了這么包容溫暖的課題組。我知道，我所在的課題組、我的導師，都只是南科大的一個縮影。這樣的導師、這樣的課題組，在南科大還有很多很多。正是他們夯實了南科大的科研大廈，筑起了南科大的科研高度，構建了南科大的學術聲譽。 ? ? ? 此時此刻，請把最熱烈的掌聲，獻給南科大所有的老師們！同時，也請將掌聲獻給我們自己，永不言棄的南科學子們！ ? ? ? 感謝始終呵護并引領我們持續成長的母校。作為一名南科人，我慶幸自己在青春年華受益于她的清新、大氣、開放、包容和堅定不移的使命感。 ? ? ? 十年風華共筑南科夢，一路向南再譜新華章。下一程，我將帶著裝滿了“南科印跡”的行囊，進入香港科技大學從事醫學材料方向的研究，并致力于科研產品化，決心將為人類健康而奮斗的青春熱血播灑在中華大地上。 ? ? ? 感謝母校給予我們勇于擔當的意識，面對風雨的勇氣和撐起夢想的能力。南科大建校十周年之際，我僅代表全體畢業生祝母校永遠朝氣蓬勃，在創新之路上啟航未來。最后，請允許我向遠在家中收看直播的父母表示感謝，謝謝你們的支持和陪伴。 ? ? ? 經歷一次畢業就會懂得，“前程似錦”的祝福其實是一句美好的道別。感謝大家共同經歷的時光和青春。祝全體2020屆畢業生前程似錦，不負韶華！ ? ? ? 謝謝！

? ? ? ?感受器神經元在根據環境變化（適應性）的能力上取代了人造傳感器，但其基本機制仍然是感受神經科學中的傳統挑戰。為了研究這種適應過程，宋卓異博士構建了感受受體的多尺度計算模型，旨在將信號傳導動力學從分子到系統層面聯系起來。 ? ? ? ?在6月12日的講座中，來自復旦大學類腦智能科學與技術研究院（ISTBI）青年研究員，宋卓異博士介紹了多尺度建模方法，以及所揭示的一種隨機的自適應采樣機制。該講座主要分為感知系統自適應與隨機自適應采樣機制兩部分。在開始之前，先讓我們欣賞一下宋卓異博士的代表作成果吧。   代表性成果1：揭示光感受器感知大范圍光強變化的自適應機制 照相機vs人眼 ? ? ? ?照相機光圈小時，進光量小，能看到亮處的背景，但暗處的背景細節會丟失；相反，照相機光圈大時，進光量多，能看到暗處的背景，亮處的背景會引起系統（即芯片）的飽和，從而導致亮處細節信息丟失。 ? ? ? ?然而人眼并不會有這種問題。那么，動物是如何實現這種大范圍的、動態的感光范圍呢？這種思想能否用于仿生眼的構建呢？ ? ? ? ? 解決方案：構造從微觀到宏觀的光感受器仿生模型。 ? ? ? ?圖中左上角為果蠅的光感受器的細胞（可感受單光子信號），右上角為一個單光子所產生的QB（Quantum Bump）的電流信號。在整合電流信號時，一個光子到一個Quantum Bump電荷間的放大倍數是6000。這樣的機制，就可以讓動物在極暗光的環境下看到物體，這是現在的照相機所做不到的。從宏觀角度來看，在千億數量的光子情況下，仿生神經元模型依然能夠正常運作。 ? ? ? ?上圖的左上角圖中底部NS為光強序列，黑線為實驗測的光感受器的響應，紅線為模型的仿真結果。可以看到，模型的復現結果非常好，而且該模型無需進行參數調整。現在，讓我們打開這個白箱模型，來進一步看其內部的運作機制。該模型是如何解釋神經元擁有大的高動態感光范圍。這里我們提出了四個機制（右上角圖中，黃字為新提出的創新機制），具體細節見本文硬件層面分析。下方的兩個子圖中表示了捕食者蒼蠅與被捕食蒼蠅的光感受器之間的區別：捕食者蒼蠅第一層感光神經元的視覺反應比被捕食蒼蠅的反應要快，這與其生存壓力息息相關。   代表性成果2：光感受器微跳視機制幫助復眼抵消運動模糊 ? ? ? ?光感受器遇光會發生抖動（微跳視）的現象，即也擁有壓力感知器的特性。這令人驚訝！因為這種抖動現象通常是在壓力感知器或聽力感知器上存在。2012年Hardie和Franze初次在光感受器上發現微跳視現象，其成果發表在Science上。但是這種微跳視現象對視覺產生什么樣的影響呢？我們知道，拍照時照相機的抖動會造成糊片；那么本來果蠅復眼看到的就是馬賽克圖像，如果再加上感受器的抖動現象，這不會讓復眼看到的圖像更糟糕嗎？當然實驗證實，果蠅擁有高分辨率的視覺行為。那么微跳視到底是怎么樣影響視覺的呢？ 微跳視可以調制光信號的變化 ? ? ? ?圖中上排顯示，當兩個光點經過感受野時，峰谷差值小，這會使果蠅把經過的兩個光點當成一個光點。圖中下排顯示，微跳視使感受野移動，使得峰谷差值變大，從而果蠅能更容易的區分兩個光點，增加空間分辨率。 Part1 感知系統自適應（sensory adaptation）： ? ? ? ? 神經元具有自適應性，即不斷的刺激輸入的情況下，神經元放電輸出會隨時間減少。那么如何理解這種自適應，它是如何產生的？ ? ? ? ?根據Marr’s?three levels of analysis（三級計算理論分析框架），即一個系統需要從以下三個層次進行研究： 1.計算理論（計算目標是什么？） 2. 算法（如何設計算法，來實現輸入輸出映射關系？） 3. 硬件實現（芯片或生物學系統如何物理實現？） ? ? ? ?對于光感受器系統，我們需要從以上三個層面來理解系統。傳統的方式是自頂到下進行分析。即首先明確：感知自適應的計算目標是什么，是什么原則決定著感知自適應。 ? ? ? ?物理學家們過去曾對此提出三種不同的理論：1）需要把能量提供給新穎的事件，自適應的計算目標是為了在新穎事件上保持注意力；2）不變的信號不含有信息，自適應是為了移除冗余信息；3）自適應是為了最大化神經元所刻畫的信息量。 ? ? ? ?下面我們集中于第三個理論，即信息最大化理論（information maximization theory），展開討論。 ? ? ? ?光信號在大腦中處理過程的框架如下： ? ? ? ?如何最大化得到輸出的信息？即在輸出范圍（dynamic range K）有限的情況下，如何設計Pn(neural filter神經元)使R（信息量）最大。 ? ? ? ?下面是基于信息最大化理論的兩種預測： ? ? ? ?預測一：假設channel noise與neural filter相互獨立，可在neural filter上增加G增益，使得R’大于R，如下圖所示。（Brenner et al. 2020） ? ? ? ?預測二：neural filter的自適應濾波性質。如下圖所示，高信噪比情況下，neural filter的頻譜特性與輸入譜成倒數關系，具有高通或帶通的濾波器特性；而低信噪比情況下，neural filter的頻譜特性與輸入譜成正比關系，具有低通的濾波器特性。（Sharpee et al.證明，自適應濾波有利于視覺皮層的信息傳輸。） ? ? ? ?這個框架的局限性： 1.自適應濾波為確定性過程，忽略了神經元本身具有隨機性的量綱。 2.假設中channel noise與neural filter是獨立關系，才能最大化信息，但如果Pn和G是相關關系時，在Pn上添加G，就相當于在Nc上添加G，就會相互抵消，導致R沒有增大。 3.沒有說明filter低通到高通變化過程以及具體機制。 ? ? ? ?在從三級計算理論框架自頂向下的研究中我們遇到了局限性，那么自底向上的研究能不能突破這些局限性呢？ ? ? ? ?物理學家Yakov Frenkel認為:“一個好的復雜系統的理論模型，需要突出其中重要的特點而忽略不重要的細節。”但是在研究的時候，我們很難知道哪個是重點哪個不是重點。因此，我們采用自底向上的方法先去研究現象，看能否在其中找到重要與不重要的信息。這里需要一個系統讓我們能夠采用自底向上的模式，這就需要系統滿足自適應和足夠的背景知識讓我們來構建模型兩個條件。我們最后選擇了果蠅光感受器，因為它具有強大的光自適應能力，一個神經元可處理任意光強。過去的研究工作主要集中在兩個領域，其中物理學家通過自頂向下的方式研究，通常提出計算理論來預測神經元的機制，而生物學家通過做各種實驗來研究生物物理機制。宋卓異博士提出構建全細胞（whole-cell）模型（即生物物理模型，從基因分子層級開始搭建系統直到搭建到細胞模型并將映射出輸入輸出的關系為止）來將兩個領域的工作聯系起來，填補這兩個領域之間的空白。 硬件層面分析： ? ? ? 果蠅光感受器的模型：左圖為一個胞體（非感光部分）與微絨毛（感光部分，數量為三萬個），中間圖表示微絨毛的分子反應網絡，將光子轉導為電流響應（右圖，Quantum Bump）。主要針對單細胞對于單光子相應的過程來構建分子反應鏈，這并不是系統模型，不能模擬細胞在持續響應光子輸入情況下的輸出。 ? ? ? ?上圖為宋卓異博士設計的一套模型系統，能夠將整個光感受器的輸入映射到電壓信號的輸出，共分4個環節： 1.三萬個微絨毛吸收光子的過程。 2.對于每個微絨毛，都有一系列的分子反應鏈的模型來轉導光子的能量。 3.仿真三萬個微絨毛所產生的光電流并集成起來輸入到胞體上。 4.使用Hodgkin-Huxley模型模擬胞體上的鉀離子通道的動態特性來產生電壓信號。 ? ? ? ?圖中顯示了在不同的光強序列、暗光、亮光條件下，真實神經元的響應結果與模型仿真結果十分接近。而且模型具有無需調參，擴展性好的優點。 ? ? ? ?在具有一個比較好的模型的情況下，我們可以打開模型，向三級計算理論分析中的上面兩層前進。首先我們對計算理論分析的最下層hardware implementation進行分析。模型可以響應一個光子輸入序列，這是之前業內沒做過也是實驗中做不到的，因為微絨毛太小，不能夠測得單個微絨毛對于光子序列的響應，只有在計算機仿真里可以看到每個微絨毛對光子響應序列的反應動態。分析提出了使光感受器有大范圍感光能力的4個機制： 1.大量微絨毛來感光。 2.單光子反應的不應期。 3.單光子響應，暗光響應大，亮光響應小，Quantum Bump(QB) Adaptation亮光暗光反應相差可達50倍。 4.在反應過程中，內部為隨機機制。 ? ? ? ?其中紅色的兩項機制為宋博士提出的新的機制。傳統觀點認為這兩點都不利于信息編碼，反應不應期會丟失信息，隨機過程會降低信噪比。然而，這并不全面，這兩點對于系統的自適應是十分有益的。 算法層面分析：???? ? ? ? ?Jhon Von Neumann認為參數個數多的復雜模型擬合數據好并不能說明什么，所以簡化模型更能方便研究其內部機制而且有利于構建大型仿真系統。根據四個機制簡化模型，減少原參數數量（50個）到4個關鍵參數，即絨毛的數量，光子到來到響應的延遲（Delay），Quantum Bump(QB)形狀，兩個QB之間的時間間隔即不應期。 ???? ? ? ? ?上圖表示反應不應期分為兩種情況：光子在不應期期間到來，光子會被丟失；光子在不應期之后到來，會形成QB。 ? ? ? ?圖A為不同隨機量的分布，圖B為在不同的光強條件下，QB的Interval有自適應的調節，即在暗光條件下，更趨向于long tail的分布，在亮光條件下更趨向于不應期的分布。 Gain control by refractory sampling分析： ? ? ? ?QE(quantum efficiency)為光子形成QB的比例。由于這種bump interval分布的自適應，使得系統擁有自動增益控制機制：在暗光條件下，每個光子都可產生QB，所以QE為100%。而強光條件下，光子會通過不應期丟掉，QE會下降（可降至1%）。 Adaptive filtering分析： ? ? ? ?通過分析transfer function，由于隨機的反應不應期得出adaptive filtering的機制：在暗光條件下，圖中標記叉號的大括號中反應不應期的那項為0，即大括號中只剩下1，所以transfer function為低通，主要由QB頻譜決定。在亮光條件下，反應不應期不為0，所以具有帶通性質。 ???? ? ? ? ?這樣也就復現了之前信息最大化的兩個預測，先前也提到了理論框架的局限性，現在來看看該模型是否克服局限性： 1.沒有假設noise和filter是否獨立，無論獨立與否都可產生自適應性。 2.通過refractory（不應期） sampling來解釋了高通與低通轉換機制。 3.對于先前忽略隨機性的局限性，提出了隨機性對于信號處理的重要性。 不應期的隨機性分析： ? ? ? ?根據奈奎斯特定理（Nyquist’s?Theorem），還原圖像，采樣頻率需大于2倍的原頻率，采樣的信號才不會失真。采樣頻率低于原頻率2倍時，會出現圖B中的圓圈即為混疊效應也稱為振鈴效應。隨機采樣可以消除振鈴效應，不過與噪聲要有權衡。在視覺上，噪聲可以通過平均消除，不過在感受器上形成的振鈴效應是無法消除的。在時間上來也存在振鈴效應問題（下圖）。隨機性的不應期（黑線）不容易產生震蕩，然而確定性的不應期（灰線）容易產生震蕩（類似于振鈴效應的圓圈）。 自然界物種的自適應分析： ? ? ? ?捕食蒼蠅比被捕食蒼蠅的神經元反應要快，響應快三倍，具有以下幾種機制： 1. 單光子響應QB窄（圖中紅色曲線，顯示捕食者蒼蠅QB分布比被捕食者蒼蠅窄）。 2. 不應期分布窄（圖中黃色區域，顯示捕食者蒼蠅不應期的分布比被捕食者蒼蠅窄）。 3.?微絨毛數量多（捕食者蒼蠅擁有9萬個微絨毛，而被捕食者蒼蠅只擁有3萬個）。 Part 1 總結： 1. 構建全細胞模型，可以把神經元的輸入與輸出都映射出來。 2. 有2個創新發現，亞細胞反應不應期可以作為強大的自動增益控制以及自適應的filtering機制；隨機采樣有利于應對信號處理的抗混疊。 3. 四個隨機自適應采樣機制也解釋了自然界不同物種之間的神經元響應的不同特性。 ? Part 2 隨機自適應采樣機制: ? ? ? ?先前提到模型解決了理論框架所存在的3個局限性，不過沒有說明到底是什么樣的刺激可以讓神經元編碼信息最大化。 ? ? ? ?從傳統的框架來分析，如何設計Sp來讓R最大化。通過信息論可以得到一定是高斯白噪聲來讓Sp最大化，因為高斯白噪聲是一定的帶寬下含信息量最大的信號。但是生物學家（Rleke et al. 1995）通過實驗得出前端感知的神經元并不是對高斯白噪聲響應最強烈而是對自然信號響應最強烈（是高斯白噪聲的2到6倍）。 ? ? ? ?然而一直沒有機理解釋為什么對自然信號的響應更強烈，直到宋卓異博士使用模型系統解釋了其中的原因（Song & Juusola，2014）。使用不同的輸入信號來刺激模型，圖（c）中顯示神經元可以對自然信號編碼更多的信息。這是因為在自然光信號中，暗光信號附近很大概率還是暗光信號（而高斯白噪聲相鄰兩點是不相關的），在連續的暗光信號時期，系統內部的微絨毛更容易從反應不應期之中恢復過來，從而采樣更多的光子，編碼更多信息。這也說明了光感受器對于變化的光強序列處理能力很強。對于動物來說，它們可以利用時空相關性來進行信息編碼。那么到底是什么樣的信號才能驅動光感受器呢？ ? ? ? ?于是我們設計了各種不同頻段高斯白噪聲以及pink noise等。圖中黑色線為輸出，彩色線為輸入。在紅色區域的兩段對比可以看到，感受器對于高斯白噪聲（右下角紅色區域）反應不強，而對于五指山似(burst)的輸入（左上角紅色區域）反應強烈。那么動物是如何與環境互動來獲得五指山一樣的信號呢？ ? ? ? ?通過對比動物三種不同的方式saccadic walking，linear walking, shuffled walking，發現saccadic walking可以產生burst形狀的信號。其中大片暗光的視覺區域，可以使系統更容易地從不應期中恢復過來，從而編碼更多信息。這就說明動物是可以通過自身行為、跟環境互動來調制光信號，來進行感知。 ? 最后用Marr的三級計算理論分析來總結講座： 1. Hardware Implementation Level：全細胞模型給出了生物物理的機制。 2. Algorithm Level：全細胞模型的研究設計了算法。 3. Computational theory Level：隨機自適應采樣理論，彌補了傳統理論的不足，可能是神經信息編碼最優采樣方法之一。同時我們也期待新理論的出現。 ? ? Reference: [1]?Hardie, R. C., & Franze, K. (2012). Photomechanical responses in Drosophila photoreceptors.?Science,?338(6104), 260-263. [2]?Brenner, N., Bialek, W., & Van Steveninck, R. D. R. (2000). Adaptive rescaling maximizes information transmission.?Neuron,?26(3), 695-702. [3]?Sharpee, T. O., Sugihara, H., Kurgansky, A. V., Rebrik, S. P., Stryker, M. P., & Miller, K. D. (2006). Adaptive filtering enhances information transmission in visual cortex.?Nature,?439(7079), 936-942. [4]?Song, Z., & Juusola, M. (2014). Refractory sampling links efficiency and costs of sensory encoding to stimulus statistics.?Journal of Neuroscience,?34(21), 7216-7237. [5]?Rieke, F., Bodnar, D. A., & Bialek, W. (1995). Naturalistic stimuli increase the rate and efficiency of information transmission by primary auditory afferents.?Proceedings of the Royal Society of London. Series B: Biological Sciences,?262(1365), 259-265. ? 文中圖片來源：宋卓異博士講座截圖。 歡迎感興趣的同學與宋卓異老師聯系。宋老師接收博士、碩士、RA申請。 聯系方式為songzhuoyi@fudan.edu.cn。 ? ? 本文作者：NCC lab 曲由之 校對：劉泉影、宋卓異 如需轉載請先發郵件咨詢：劉泉影，liuqy@sustech.edu.cn

? ? ? ?2020年6月11日下午，南方科技大學2020屆本科十佳畢業生評選大會在學生公寓11棟101活動室舉行。我校黨委書記郭雨蓉，黨委副書記李鳳亮，我系系主任蔣興宇等部門負責人出席擔任評委。本次評選采取了現場答辯+線上直播的形式，近3.4萬名觀眾通過南科大社交平臺觀看評選直播。 ? ? ? ? ? ? ? ?2020年，我校有近千名本科畢業生，他們分布于6個書院，16個院系。經過前期層層篩選，19名同學脫穎而出，成為“十佳候選人”。這19名同學通過師生投票、現場答辯的方式角逐2020年南科大十佳畢業生。 ? ? ? ?在此期間，我系科研實踐“兩開花”的鄧雨晴一路過關斬將，榮獲了2020屆十佳畢業生！評選大會上，鄧雨晴因正在麻省理工學院進行為期一年的交流學習，通過視頻的形式展示了自己在學習、科研、社會實踐、校園活動等方面的經歷和收獲。在短短幾分鐘的視頻展示里，她自信洋溢、侃侃而談，充分展現了生醫工學子的綜合素質和風貌風采。 鄧雨晴獲獎感言： ? ? ? ?一覺醒來上演真實躺著拿獎相當激動與驚喜。看到臺上9位獲獎者都上去而我卻無法到場還是有些遺憾的。每個人輪流發言發表獲獎感言都說出了自己對書院 院系 以及南科大的感謝唯獨我卻沒有機會在臺上說出。真的很感謝生物醫學工程系，給了我很多的機會還有幫助。尤其是生醫工的老師們，即使只有短暫接觸的任課老師都給過我很多的幫助。 ? ? ? ?而最想感謝的還是我的學術導師唐斌老師。記得之前一篇關于畢業生故事匯對我寫的報道是：如果有疑惑就去聊天吧，一次不行，那就兩次。真的很真實的概括了我和唐老師的相處。從選專業開始我接觸到了唐老師，他從我如何選專業課、如何安排自己的學習重心分配精力、如何做科研等等給了很多很多很多很多幫助。也給了我很多的機會，讓我多去接觸新事物，多學習新東西。雖然只有短暫的一年時間在實驗室，但是唐老師給我的資源讓我學到了很多的實驗技能以及科研方法。也帶我發出了自己的一篇SCI一作。而對我來說，最大的遺憾可能就是沒能為他招到很多學弟學妹了吧。     ? ? ? 另外系主任蔣老師給我的幫助也讓我很感動，從來沒有想過自己會受到這樣的關心。記得在答辯的前一天晚上11點多，蔣老師還特意打電話跟我交待了一些要點，答辯當天由于我時差原因沒有辦法參與問答，也是后來有同學跟我說是他在答辯結束后支持我說可以幫我回答問題。   ? ? ? ?BME的老師們給了我好多好多令我想象不到的感動，十佳候選時給自己選的標語為：幸運的人中最努力的。也大概從選擇生醫工開始吧。   唐斌老師課題組簡介： ? ? ? ?唐斌副教授，2001年獲得同濟大學材料科學與工程專業學士學位，2006年獲取香港大學機械工程系博士學位。2006年至2011年期間在香港大學機械工程系任職助理教授(研究類) , 2012年至今在南方科技大學任副教授。曾榮獲深圳市“孔雀計劃”B類人才、“MostCited Author 2005-2008”等榮譽,主要從事疾病中組織力學及細胞力學方向的研究，在國際一流學術刊物如《Osteoarthritis and Cartilage》及《Soft Matter》等.上發表SCI論文40余篇，被引用800余次。? 研究領域?? 1. 骨科生物材料 2. 疾病中的細胞及組織生物力學 3. 微觀材料機械表征及制造技術   導師說 ? ? ? ?一起做點好玩兒的東西吧！ ? ? ? ?我想不出這世界上還有什么比發現未知，創造新事物更讓人覺得興奮和好玩的事情。在我的實驗室內，我們自由探索所有感興趣的未知，我們希望用我們的努力滿足自己的求知欲和好奇心，順便讓人類更健康，更長壽，更幸福。 ? ? ? ?和諧，歡樂，腦洞大是本實驗室的特點，笑點低的慎入。研究方向偏小眾，但好處是出國率相應非常高。正經在實驗室混上幾年，踏踏實實干活的都拿了PhD 全獎（UCLA,NUS,HKU等）。目前實驗室本科生出現斷檔了（原因是實驗室3朵金花大三..忽然全部出去交流，一個MIT，一個哥大還有個是UCI）。嗯，招募人手中，只要你對生物，醫學，材料，力學，工程，計算機等等學科感興趣，那就來吧。 ? 唐斌老師課題組官網鏈接：https://www.sustech.edu.cn/zh/tangbin.html  

? ? ? ?2020年6月10日，先健科技有限公司首席醫學官，有源醫療器械部總經理曾樂朋、邁瑞公司生命信息與支持事業部副總經理岑建受聘為南方科技大學生物醫學工程系產業教授，受聘儀式在騰訊會議上舉行。生醫工系系主任蔣興宇及生醫工系副教授陳放怡出席了授聘儀式。 ? ? ? ?授聘儀式上，蔣興宇介紹了曾樂朋、岑建的簡介信息，并宣讀了聘書內容。隨后，兩位教授分別為我系師生帶來了“中國心臟管理有源醫療器械市場現狀與機會”、“國產醫療設備發展之路”的講座。 ? ? ?先健科技公司是業內領先的心血管微創介入醫療器械供應商，集研發、制造和銷售于一體，其高品質的、具自主知識產權的創新型產品暢銷全球100多個國家，分銷商網絡廣泛覆蓋歐洲、南美洲、亞洲、非洲等地，目前為全球第二大、金磚四國最大的先心病封堵器供應商及亞洲第二大大支架產品供應商。2011年11月，先健科技公司于香港聯合交易所成功上市，目前市值近百億港幣。 公司于2008年被評為“國家級高新技術企業”，擁有“博士后科研工作站”，“國家地方聯合工程試驗室”等高水平科研資質，承擔國家“十五”科技攻關課題、國家“973”計劃和國家“863”計劃等政府科研項目共計50余項。公司共有6個產品獲CFDA批準為創新醫療器械，是目前中國獲CFDA批準創新醫療器械產品最多的醫療器械企業。 ? ? ? ?產業教授曾樂朋有著豐富的醫療器械的產業化經驗：建立了美國美敦力公司心臟節律疾病管理部門的中國研發分部。中國的唯一植入專家成功支持國內知名醫院開展無導線起搏器的臨床試驗和上市。 曾完成先健科技左心耳封堵器作為中國首個同類產品在歐洲和中國的上市前臨床試驗并成功獲監管當局批準。曾完成先健科技左心耳封堵器的美國IDE臨床試驗批準。 完成先健科技二代胸主覆膜大支架完成上市前臨床試驗并成功獲中國藥監局批準上市。 實現了國家創新醫療器械芯彤心臟起搏器國產化，填補了國內空白，并于2017年底成功上市銷售。2019年銷售額達到2200萬人民幣。 自主研發的臨時心臟起搏器獲國家創新醫療器械，填補了國內空白，已獲得美國FDA三類器械上市批準，預計2020獲中國藥監局批準上市銷售。 ? ? ? ?邁瑞公司是中國領先的高科技醫療設備研發制造廠商，同時也是全球醫用診斷設備的創新領導者之一。自1991年成立以來，邁瑞公司始終致力于面向臨床醫療設備的研發和制造，產品涵蓋生命信息監護、臨床檢驗及試劑、數字醫學超聲成像、臨床麻醉系統四大領域，將性能與價格完美平衡的醫療電子產品帶到世界每一角落。時至今日，邁瑞公司在全球范圍內的銷售已擴展至140多個國家和地區。2019年全年營業收入165.56億元，同比增長20.38%。 邁瑞公司總部位于中國深圳，全球員工6000余名，在中國32個主要城市設立分公司以及美國、加拿大、英國、土耳其、印度等國家設立了18個子公司，在世界各地建立了強大的分銷和服務網絡。2006年9月邁瑞公司作為中國首家醫療設備企業在美國紐約交易所成功上市，10月獲科技部批準正式掛牌成立“國家醫用診斷儀器工程技術研究中心”，擔綱引領民族醫療設備發展之重任。 ? ? ? ?產業教授岑建負責監護、除顫、呼吸、麻醉、輸液泵等生命監測和支持類產品的技術規劃研究、產品開發、研發管理工作。監護、除顫等產品均為國內市場份額第一。曾作為第一完成人，《高端轉運監護儀》獲得2017年廣東省科學技術獎二等獎；曾作為第二完成人，《基于實時統計分析的高可信生命體征監測關鍵技術及產品應用》獲得2018年廣東省技術發明獎二等獎。曾作為主要完成人獲得一項國家集成電路布圖著作權，作為主要發明人獲得30多項國內發明專利和美國發明專利授權。曾主導完成8項醫療設備國家和行業標準起草，參與多項醫療設備國家和行業標準的制修訂工作 參與除顫儀、脈搏血氧計等多項國家醫療器械審評指導原則編寫。 ? ? ? ?兩位產業教授加入我系之后，將持續深化產教融合，推動所在企業與高校聯合申報國家和省級科研項目，推動所在企業承擔高校科研成果中試放大和產業化基地建設。同時，兩位教授還將參與我系學科團隊建設，對提升本學科水平和支撐、引領產業發展提出戰略性、前瞻性、創造性構想，并與校內導師聯合指導博士、碩士研究生，推動校企良性互動。  

? ? ? ?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