700
0
2025-04-09
2025-04-09
第 47 屆 IEEE 醫(yī)學(xué)和生物工程學(xué)會(huì)國(guó)際會(huì)議（Annual International Conference of the IEEE Engineering in Medicine and Biology Society，簡(jiǎn)稱(chēng) EMBC 2025）將于 2025 年 7 月 14 日至 17 日在丹麥哥本哈根舉行。作為生物醫(yī)學(xué)工程領(lǐng)域歷史悠久的旗艦會(huì)議，EMBC 同時(shí)也是中國(guó)人工智能學(xué)會(huì)（CAAI）推薦的 B 類(lèi)會(huì)議。在此次會(huì)議上，腦機(jī)交互與混合智能團(tuán)隊(duì)共有 4 篇研究成果被錄用，取得了豐碩成果。
2023級(jí)研究生李澳琪在潘家輝老師、曲超老師的指導(dǎo)下，研究成果《SpindleX: A Multi-Scale Event Detection Window and CBAM Attention-Based Model for Sleep Spindle Detection》被錄用并進(jìn)行全文發(fā)表。算法利用卷積神經(jīng)網(wǎng)絡(luò)和雙向長(zhǎng)短期記憶網(wǎng)絡(luò)提取常見(jiàn)的紡錘波特征，之后使用注意力模塊從信號(hào)的通道和空間方面捕捉更多細(xì)節(jié)，采用多尺度事件檢測(cè)窗口來(lái)適應(yīng)紡錘波不同的持續(xù)時(shí)間，旨在捕捉 EEG 序列中的所有紡錘波。主要貢獻(xiàn)包括：
（1）提出了一種基于單通道腦電信號(hào)的紡錘波檢測(cè)算法，該算法在公開(kāi)數(shù)據(jù)集MASS-SS2上表現(xiàn)出色。具體結(jié)構(gòu)如下：
圖1 SpindleX模型架構(gòu)圖
（2）采用多尺度事件檢測(cè)窗口來(lái)捕捉不同持續(xù)時(shí)間的睡眠紡錘波，盡可能最小化真實(shí)紡錘波事件與信號(hào)段內(nèi)預(yù)測(cè)的紡錘波事件之間的偏差。
圖2 不同大小的事件檢測(cè)窗口對(duì)檢測(cè)結(jié)果的影響
（3）將CBAM注意力機(jī)制集成到 SpindleX 中，這增強(qiáng)了對(duì)通道和空間信息的提取能力，使模型能夠聚焦于 EEG 信號(hào)的顯著特征。通過(guò)學(xué)習(xí)突出紡錘波最重要的特征，SpindleX 相比傳統(tǒng)的基于閾值的方法，能更有效地適應(yīng)不同的信號(hào)。
（4）利用紡錘波突出于背景腦電活動(dòng)的特點(diǎn)，使用卷積層進(jìn)行局部特征提取，使用雙向長(zhǎng)短期記憶網(wǎng)絡(luò)對(duì)時(shí)間依賴(lài)性進(jìn)行建模，使模型能夠更好地學(xué)習(xí)上下文信息，在保留空間和時(shí)間信息的同時(shí)，避免了基于圖像的方法所帶來(lái)的存儲(chǔ)和效率成本問(wèn)題。
表1 SpindleX（本研究方法）與其他方法的對(duì)比分析
2. 基于腦電微狀態(tài)分析對(duì)意識(shí)障礙患者情緒解碼和意識(shí)評(píng)估
2023級(jí)研究生陳志強(qiáng)在黃海云老師的指導(dǎo)下，研究成果《Emotion Decoding and Consciousness Evaluation in DOC Patients through EEG Microstate analysis》被錄用并進(jìn)行全文發(fā)表。本研究利用機(jī)器學(xué)習(xí)對(duì)意識(shí)障礙患者的情緒狀態(tài)進(jìn)行分類(lèi)，系統(tǒng)探討了腦電微狀態(tài)的參數(shù)和轉(zhuǎn)移概率與健康被試的差異。實(shí)驗(yàn)結(jié)果證明，腦電微狀態(tài)的參數(shù)和轉(zhuǎn)移概率在一定程度上可以作為判斷意識(shí)障礙患者情緒狀態(tài)的指標(biāo)。本文主要貢獻(xiàn)包括：
（1）本研究使用腦電微狀態(tài)方法用于評(píng)估意識(shí)障礙患者，分析在情緒識(shí)別中的作用，并進(jìn)一步探討了其在定量分析中的應(yīng)用潛力。
圖1 腦電微狀態(tài)分析過(guò)程
（2）本研究將頻譜特征與微觀狀態(tài)特征相結(jié)合。在獨(dú)立測(cè)試集上實(shí)現(xiàn)了77.94%的分類(lèi)準(zhǔn)確率，我們的系統(tǒng)對(duì)意識(shí)障礙患者的情緒進(jìn)行分類(lèi)的能力提供了保留情緒意識(shí)的電生理證據(jù)，即使在行為輸出有限的患者中也是如此。
表1 在情緒識(shí)別實(shí)驗(yàn)中，健康受試者和意識(shí)障礙患者的分類(lèi)結(jié)果（%）
（3）確定微狀態(tài)參數(shù)和轉(zhuǎn)移概率作為意識(shí)障礙評(píng)估的新生物標(biāo)志物。這在情緒相關(guān)的微狀態(tài)轉(zhuǎn)換和意識(shí)障礙嚴(yán)重程度之間建立了直接聯(lián)系，為CRS-R等行為量表提供了神經(jīng)生理學(xué)補(bǔ)充。
圖2 健康對(duì)照組（HC）和意識(shí)障礙（DOC）組之間的微狀態(tài)參數(shù)差異。誤差條：SEM*p<0.05，**p<0.01
3. DC-FFNet：用于實(shí)時(shí)異步信號(hào)分析的雙通道特征融合網(wǎng)絡(luò)
2022級(jí)本科生孫瑜妤在潘家輝老師的指導(dǎo)下，研究成果《DC-FFNet: Dual Channel Feature Fusion Network for Real-Time Asynchronous Signal Analysis》被錄用并進(jìn)行全文發(fā)表。本文主要研究了在提出的實(shí)時(shí)控制框架下，基于雙通道架構(gòu)使用多頭自注意力機(jī)制，實(shí)現(xiàn)全局特征捕捉、局部特征增強(qiáng)和多模態(tài)特征融合，高效地融合異步信號(hào)的時(shí)空特征，實(shí)現(xiàn)高實(shí)時(shí)性與SSVEP 信號(hào)的分類(lèi)高精度。主要貢獻(xiàn)包括：
（1）本研究提出了一種基于雙通道特征融合網(wǎng)絡(luò)（DC-FFNet）的SSVEP 的信號(hào)分類(lèi)模型，該算法在公開(kāi)數(shù)據(jù)集SSVEP SANDIEGO和自采集數(shù)據(jù)集上均表現(xiàn)出色。具體結(jié)構(gòu)如下：
圖3 DC-FFNet模型架構(gòu)圖
表1 公開(kāi)數(shù)據(jù)集上DC-FFNet性能對(duì)比結(jié)果
表2 自采數(shù)據(jù)集上DC-FFNet性能對(duì)比結(jié)果
（2）本研究構(gòu)建了一個(gè)基于異步編程的實(shí)時(shí)控制框架，引入了并行異步采集和推理的并行機(jī)制，以及靈活的異步任務(wù)調(diào)度策略，以確保系統(tǒng)的實(shí)時(shí)性。實(shí)驗(yàn)表明，與傳統(tǒng)的同步控制相比，該框架的平均響應(yīng)時(shí)間縮短了 29.6%，總時(shí)延保持在1.5s以下。
圖4 異步控制框架圖
（3）在并行異步采集的流程中，本研究構(gòu)建了一個(gè)高質(zhì)量的自采數(shù)據(jù)集，利用基線模型測(cè)試了數(shù)據(jù)集的合理性和。同時(shí)，在該數(shù)據(jù)集上DC-FFNet（本研究方法）的性能始終優(yōu)于基線模型。
（4）本研究的整體架構(gòu)支持在線處理，突破了傳統(tǒng)離線方法的實(shí)時(shí)性瓶頸，顯著提升了腦-機(jī)接口系統(tǒng)的實(shí)用性與響應(yīng)效率。本框架集成輕量化模型結(jié)構(gòu)與快速響應(yīng)機(jī)制，實(shí)現(xiàn)了低延遲、高精度的實(shí)時(shí)腦信號(hào)解碼。）
4. 基于自監(jiān)督對(duì)比學(xué)習(xí)方法的自動(dòng)睡眠分期模型MultiConsSleepNet
2022級(jí)研究生余陽(yáng)祖怡在潘家輝老師的指導(dǎo)下，研究成果《MultiConsSleepNet: Self-Supervised Contrastive Learning for a Multimodal Consistency-Based Automatic Sleep Staging Model》被EMBC 2025錄用為full paper。該論文針對(duì)自動(dòng)睡眠分期技術(shù)中如何高效提取具有強(qiáng)泛化能力的多模態(tài)特征、如何利用多模態(tài)信號(hào)的相似性和差異性進(jìn)行準(zhǔn)確分期，以及如何充分利用大量未標(biāo)記數(shù)據(jù)來(lái)增強(qiáng)模型的實(shí)用性，提出了一種創(chuàng)新的解決方案。該方案的亮點(diǎn)如下：
（1）多模態(tài)特征提取與一致性增強(qiáng)
本文設(shè)計(jì)了一種新穎的多模態(tài)一致性網(wǎng)絡(luò)（MultiConsSleepNet）。該網(wǎng)絡(luò)通過(guò)整合單模態(tài)特征提取器與多模態(tài)一致性提取器，能夠精準(zhǔn)捕捉腦電圖（EEG）和眼動(dòng)圖（EOG）信號(hào)的局部域特征。這種設(shè)計(jì)不僅增強(qiáng)了模態(tài)內(nèi)特征的一致性，還通過(guò)跨模態(tài)對(duì)比學(xué)習(xí)，進(jìn)一步提升了模態(tài)間特征的對(duì)齊程度。通過(guò)對(duì)比學(xué)習(xí)策略，模型在原始數(shù)據(jù)和增強(qiáng)數(shù)據(jù)上進(jìn)行訓(xùn)練，并利用殘差通道注意力塊進(jìn)一步提升特征提取器的泛化和表示能力。這使得模型能夠在復(fù)雜多變的睡眠信號(hào)中提取出更具代表性和魯棒性的特征。
（2）模擬臨床噪聲提升魯棒性
在實(shí)際臨床環(huán)境中，睡眠監(jiān)測(cè)信號(hào)常常受到各種噪聲的干擾，這給自動(dòng)睡眠分期帶來(lái)了巨大挑戰(zhàn)。為了解決這一問(wèn)題，本文在研究中引入隨機(jī)高斯噪聲來(lái)模擬臨床環(huán)境中的噪聲，并通過(guò)在噪聲數(shù)據(jù)上進(jìn)行對(duì)比學(xué)習(xí)，顯著增強(qiáng)了特征提取器的魯棒性和泛化能力。這種創(chuàng)新方法使得模型能夠在面對(duì)實(shí)際應(yīng)用中的復(fù)雜噪聲時(shí)，依然能夠穩(wěn)定地進(jìn)行睡眠分期，極大地提升了模型的實(shí)用性和可靠性。
（3）自監(jiān)督預(yù)訓(xùn)練策略
為了充分利用大量未標(biāo)記的睡眠數(shù)據(jù)，本文提出了一種創(chuàng)新的自監(jiān)督預(yù)訓(xùn)練策略。該策略利用自監(jiān)督對(duì)比學(xué)習(xí)對(duì)單模態(tài)特征提取器和多模態(tài)一致性結(jié)構(gòu)進(jìn)行預(yù)訓(xùn)練，使用大量未標(biāo)記的睡眠數(shù)據(jù)來(lái)提升模型的初始性能。隨后，通過(guò)微調(diào)，模型能夠快速適應(yīng)不同的睡眠分期數(shù)據(jù)集，展現(xiàn)出卓越的適應(yīng)性和實(shí)用性。這一策略不僅極大地降低了對(duì)大量標(biāo)記數(shù)據(jù)的依賴(lài)，還顯著提升了模型的泛化能力，使其能夠在不同數(shù)據(jù)集和應(yīng)用場(chǎng)景中表現(xiàn)出色。
