bat365官网登录入口(中文)官方登录

新闻中心

bat365官网登录入口新闻

公司在基于深度学习的脑电解码领域取得系列研究进展

2023-03-09

“脑科学与类脑研究”被国家“十四五”规划列为七大“科技前沿领域攻关”项目之一。脑电是一种能够记录大脑活动的电生理信号，具有和大脑信息加工处理匹配的毫秒级时间分辨率，同时具备非侵入性、便携性等特点。如何对大脑神经活动进行脑电解码，是一个前沿且极具挑战性的问题。近年来，公司生物医学信号与图像处理研究团队李畅、刘羽、成娟、宋仁成等教师在基于深度学习的脑电解码领域取得了系列研究进展，在IEEE Transactions on Affective Computing（影响因子13.990）、IEEE Transactions on Industrial Informatics（影响因子11.648）、IEEE Journal of Biomedical and Health Informatics（影响因子7.021）、IEEE Transactions on Neural Systems and Rehabilitation Engineering（影响因子4.528）、IEEE Transactions on Cognitive and Developmental Systems（影响因子4.546）、IEEE Sensors Journal（影响因子4.325）、Computers in Biology and Medicine（影响因子6.698）、Measurement（影响因子5.131）、Science China Information Sciences（影响因子7.275）等国际权威期刊上发表论文10余篇，产生了积极的学术影响力。

在脑电情绪识别方向，主要研究工作包括：1）针对现有脑电情绪识别方法多通道脑电信号时空信息挖掘不充分、依赖大量训练数据等问题，创新性地提出了一种基于注意力机制卷积循环神经网络的脑电情绪识别方法、一种基于深度森林（Deep Forest）的脑电情绪识别方法和一种基于高效卷积网络与对比学习的脑电情绪识别方法，有效提高了识别精度，相关研究成果发表于国际权威期刊IEEE Transactions on Affective Computing (14(1): 382-393, 2023)、IEEE Journal of Biomedical and Health Informatics (25(2): 453-464, 2021)和IEEE Sensors Journal (22(20): 19608-19619, 2022)，目前总计被引230余次，1篇论文入选ESI高被引论文；2）针对传统卷积神经网络模型对不同特征之间空间关系表达能力不足的问题，创新性地开展了基于胶囊网络（Capsule Network）的脑电情绪识别方法研究，提出一系列基于胶囊网络的脑电情绪识别新方法，取得了识别精度的显著提升，相关研究成果发表于国际权威期刊IEEE Journal of Biomedical and Health Informatics (27(3): 1319-1330, 2023)、Computers in Biology and Medicine (152: 106463, 2023; 143: 105303, 2022; 123: 103927, 2020)和Science China Information Sciences (65(4): 140405, 2022)，目前总计被引120余次；3）针对现有深度学习方法中网络结构采用人工设计方式存在的缺陷，将网络结构搜索（Network Architecture Search，NAS）技术引入脑电情绪识别研究，提出了基于NAS和Transformer-NAS的脑电情绪识别方法，增强了模型设计的灵活性和有效性，相关研究成果发表于国际权威期刊IEEE Transactions on Affective Computing (DOI: 10.1109/TAFFC.2021.3130387)和IEEE Transactions on Industrial Informatics (DOI: 10.1109/TII.2022.3170422)。

在脑电癫痫预测方向，主要研究工作包括：1）针对现有基于深度学习的癫痫预测方法存在计算复杂度高、利用标签信息不充分、模型输出可信度低的问题，分别提出了一种基于加法网络和监督对比学习的脑电癫痫预测方法和一种基于模型不确定性学习的脑电癫痫预测方法，前者充分利用标签信息的同时降低计算复杂度，后者则为提高模型输出可信度提供了一种解决思路，上述研究成果均发表于国际权威期刊 IEEE Transactions on Neural Systems and Rehabilitation Engineering (30: 1536-1547, 2022; 31: 180-191, 2023)；2）针对现有基于深度学习的癫痫预测方法无法充分提取脑电的局部信息和全局信息、未能充分挖掘脑电的时空信息并同时去除噪声的问题，分别提出了一种基于Transformer引导针对卷积神经网络的脑电癫痫预测方法和一种基于时空多层感知机的脑电癫痫预测方法，上述研究成果均发表于国际权威期刊Measurement (203: 111948, 2022; 206: 112278, 2023)；3）针对卷积神经网络缺乏刻画不同特征之间空间关系能力的问题，提出了一种基于多通道反馈胶囊网络的脑电癫痫预测方法，相关研究成果发表于国际权威期刊IEEE Transactions on Cognitive and Developmental Systems (DOI: 10.1109/TCDS.2022.3212019)。

图1 基于深度森林的脑电情绪识别方法（IEEE JBHI 2021）

图2 基于二值胶囊网络的脑电情绪识别方法（IEEE JBHI 2023）

图3 基于加法网络和监督对比学习的脑电癫痫预测方法（IEEE TNSRE 2022）

鉴于上述取得的系列创新成果，团队受邀为信号处理领域国际顶级期刊IEEE Signal Processing Magazine（影响因子15.204）撰写了一篇题为《Toward Open-World Electroencephalogram Decoding Via Deep Learning: A Comprehensive Survey》的综述论文（39(2): 117-134, 2022），系统阐述了当前深度学习模型用于面向复杂开放环境下脑电解码问题的研究现状、挑战和机遇。